NumPy数组维度axis参数理解

python中的numpy是很高效的矩阵计算库，做图像处理经常会用到，但是对其中的axis参数理解的不是很清楚，每次遇到高维度的数据计算时，老是尝试好多次才会用对axis参数，很是浪费时间，这次从底层原理分析一下numpy库的axis参数的使用方法。

1、numpy库创建数组

import numpy as np
#一维
one_dims=np.array([1,2,3])
print(one_dims.shape)

一维的情况非常简单，这里就不再多说。

假设上图是一个单波段图像的灰度图，用numpy数据表示就是

a=np.array([[1,100,55],[79,22,79],[16,47,21]])
print(a)
print(a.shape)

可以看到输出的shape是（3,3），第一个3对应的是最外层的[],下面有3个子块分别是[1,100,55],[79,22,79],[16,47,21],所以这一层的尺度为3。再看第二层[]，如[1,100,55]下面有3个独立的子块，分别为1,100,55，所以这一层的尺度为3。
依次类推我们看看三维的情况，假如下面是一个3波段的图像数据。

用numpy表示如下

a=np.array([[[1,100],[79,22],[16,195],[189,56]],
[[32,4],[21,88],[57,250],[18,93]],
[[246,18],[75,37],[45,247],[6,47]]])
print(a)
print(a.shape)

输出的结果为3通道，4行，2列。

结合上图，最外层为 [],内部有三个 [],所以shape的第一位为3，第二层为 [],每个 []内部有4个 [],所以shape的第二位为4，第三层为 [],每个 []中有2个元素,所以shape的第三位为2。

总结：使用numpy创建数组时，每增加一个[]表示增加一个维度，一个[]可以看成一个完整的块，这点对下一步分维度计算时的理解很重要。每层[]下有几块，shape对应的值就为几。

2、设置axis时的计算原理。

仍然使用上面三通道图像的例子。分别计算axis=0,1,2的sum值

再来回顾一下上面说的使用numpy创建数组时，每增加一个[]表示增加一个维度，一个[]可以看成一个完整的块。
使用axis参数时，就是计算对应[]下的子块。计算完后删除对应层的[]，维度会少一层，想要不删除[]，可以使用keep_dims=True参数，我们分别测试一下。

2.1、axis=0。

a=np.array([[[1,100],[79,22],[16,195],[189,56]],
[[32,4],[21,88],[57,250],[18,93]],
[[246,18],[75,37],[45,247],[6,47]]])

sum_axis0=np.sum(a,axis=0)
print("axis=0:")
print(sum_axis0,"\n")
print(sum_axis0.shape)

sum_axis0_keep=np.sum(a,axis=0,keepdims=True)
print("axis=0,keep_dims=true:")
print(sum_axis0_keep)
print(sum_axis0_keep.shape)

输出结果

可以看到，使用keep_dims=True之后，会保留对应层的维度。

下面使用图像来还原一下计算过程。

axis=0，对应的是 []，这一层下面有三个 []子块，直接在对应位置上相加，得到右边的结果，最外层 []我用了虚线表示，当keep_dims=True的时候才存在，下面有1个 [],所以shape的第一位为1，第二层 []有4个 [],所以shape的第二位为4，第三层 []下有两个元素，所以shape第三位为2。最终当keep_dims=True时，得到的结果的shape为(1,4,2)，当keep_dims=False(默认)时，得到的结果shape为(4,2)，因为删除了最外层 []。

2.2、axis=1

a=np.array([[[1,100],[79,22],[16,195],[189,56]],
[[32,4],[21,88],[57,250],[18,93]],
[[246,18],[75,37],[45,247],[6,47]]])

sum_axis1=np.sum(a,axis=1)
print("axis=1:")
print(sum_axis1,"\n")
print(sum_axis1.shape)

sum_axis1_keep=np.sum(a,axis=1,keepdims=True)
print("axis=1,keep_dims=true:")
print(sum_axis1_keep)
print(sum_axis1_keep.shape)

计算结果

当axis=1时，对应 []这一层，我们的例子中有三个 []，分别单独计算，第一个 []下有4个 []子块，把这4个子块对应位置相加：[1,100]+[79,22]+[16,195]+[189,56]=[285,373]，其他两个 []下依次类推，得到统计结果。当keep_dims=False时，删除 []这一层，对应的就是(3,1,2)中的第二位1。

2.3、axis=2

a=np.array([[[1,100],[79,22],[16,195],[189,56]],
[[32,4],[21,88],[57,250],[18,93]],
[[246,18],[75,37],[45,247],[6,47]]])

sum_axis2=np.sum(a,axis=2)
print("axis=2:")
print(sum_axis2,"\n")
print(sum_axis2.shape)

sum_axis2_keep=np.sum(a,axis=2,keepdims=True)
print("axis=2,keep_dims=true:")
print(sum_axis2_keep)
print(sum_axis2_keep.shape)

计算结果

当axis=2时，对应 []这一级，每个 []下有两个元素，直接相加，如第一个 []下为1、100，直接相加为101，其他依次类推。当keep_dims=False时，删除 []，即shape为（3,4,1）中的1。

总结:

1、numpy的数组中，每一层[]对应一个维度。
2、使用axis统计时，表示在第axis层下进行统计，统计的单位为当前级别的子块，按子块进行运算。
3、默认keep_dims=False，numpy计算后会删除对应axis层，因为该维度元素个数计算后始终为1，要想保持计算前后维度一致，需要设置keep_dims的值为True。