Python之NumPy（axis=0/1/2...）的透彻理解——通过np.sum(axis=?)实例进行说明

前言

在numpy的使用中，对axis的使用总是会产生疑问，如np.sum函数，在多维情况下，axis不同的取值应该做怎样的运算呢？返回的是什么形状的数组呢？在网上查了很多资料，总是似懂非懂，查阅了官方文件，以及多次试验后，我总结出一种能深入透彻理解axis用法的说明，配合着np.sum例子。希望大家再也不会对axis的使用产生困惑，即使在高维情况下也信手拈来。

numpy中axis取值的说明

首先对numpy中axis取值进行说明：一维数组时axis=0，二维数组时axis=0，1，维数越高，则axis可取的值越大，数组n维时，axis=0，1，…，n。为了方便下面的理解，我们这样看待：在numpy中数组都有着[]标记，则axis=0对应着最外层的[]，axis=1对应第二外层的[]，以此类推，axis=n对应第n外层的[]。
下面开始从axis=0，axis=1这两个例子开始，深入透彻的理解numpy中axis的用法。

axis = 0表示对最外层[]里的最大单位块做块与块之间的运算,同时移除最外层[]：

a= np.array([1,2,3])    
a.sum(axis = 0)
>>>6

因为只有一层[]，所以直接对这一层里的最大单位快1，2，3做运算；
做完加法后本应是[6]，但是移除最外层[]后，[]不存在了，所以返回的是6。

a= np.array([[1,2],[3,4]])  
a.sum(axis = 0)
>>>array([4, 6])

有两层[]，最外层[]里的最大单位块分别为[1,2]，[3,4]，对这两个单位块做块与块之间的运算，[1,2]+[3,4] = [4, 6]；
做完加法后本应是[[4, 6]]，但是移除最外层[]后，原来的两层[]变成一层[],所以返回结果为 [4, 6]。

np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a.sum(axis = 0)
>>>array([[12, 14], [16, 18]])

有三层[]，最外层[]里的最大单位块分别为[[1,2],[3,4]]，[[11,12],[13,14]]，对这两个单位块做块与块之间的运算，[[1,2],[3,4]] + [[11,12],[13,14]] = [[12, 14], [16, 18]]；
做完加法后本应是[[[12, 14], [16, 18]]]，但是移除最外层[]后，原来的三层[]变成两层[],所以返回结果为[[12, 14], [16, 18]]；

axis= 1表示对第二外层[]里的最大单位块做块与块之间的运算,同时移除第二外层[]：

a= np.array([1,2,3])    
a.sum(axis = 1)
>>>ValueError: 'axis' entry is out of bounds

因为只有一层[]，axis取值只有一个，为0.

a= np.array([[1,2],[3,4]])  
a.sum(axis = 1)
>>>array([3, 7])

有两层[]，第二外层[]里的最大单位块有两组（因为有两个第二外层[]），第一组是1，2，第二组是3，4，分别对这两个单位块做块与块之间的运算，第一组结果为1+2=3，第二组结果为3+4=7；
做完加法后本应是[[3],[7]]，但是**移除第二外层[]**后，原来的两层[]变成一层[],所以返回结果为[3, 7]。

np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a.sum(axis = 1)
>>>array([[ 4,  6], [24, 26]])

有三层[]，第二外层[]里的最大单位块有两组（因为有两个第二外层[]），第一组是[1,2],[3,4]，第二组是[11,12],[13,14]，分别对这两个单位块做块与块之间的运算，第一组结果为[1,2]+[3,4] = [ 4, 6]，第二组结果为[11,12]+[13,14] = [24, 26]
做完加法后本应是[[[ 4, 6]], [[24, 26]]]，但是**移除第二外层[]**后，原来的三层[]变成两层[],所以返回结果为[[ 4, 6], [24, 26]]

axis = 3，4，5也如此分析

看懂了这些说明，相信你对axis已经有了深入的理解，以后再也不用怕高维数组关于axis的运算了！