目录
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[]：
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[]：
设axis=i，则numpy沿着第i个下标变化的方向进行操作
结论：沿着哪一维操作，最后这一维度消失。
关于numpy
python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？考虑以下代码：
import pandas as pd
df = pd.DataFrame([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \
columns=["col1", "col2", "col3", "col4"])
print(df)
col1 col2 col3 col4
0 1 1 1 1
1 2 2 2 2
2 3 3 3 3df.mean(axis=1)，将得到按行计算的均值
print(df.mean(axis=1))
0 1.0
1 2.0
2 3.0df.drop((name, axis=1),我们实际上删掉了一列，而不是一行
print(df.drop("col4", axis=1))
col1 col2 col3
0 1 1 1
1 2 2 2
2 3 3 3
but！
print(df.drop("col4", axis=0))
报错
"""
print(df.drop("col4", axis=0))
File "D:\appp\Python\lib\site-packages\pandas\core\frame.py", line 3997, in drop
errors=errors,
File "D:\appp\Python\lib\site-packages\pandas\core\generic.py", line 3936, in drop
obj = obj._drop_axis(labels, axis, level=level, errors=errors)
File "D:\appp\Python\lib\site-packages\pandas\core\generic.py", line 3970, in _drop_axis
new_axis = axis.drop(labels, errors=errors)
File "D:\appp\Python\lib\site-packages\pandas\core\indexes\base.py", line 5018, in drop
raise KeyError(f"{labels[mask]} not found in axis")
KeyError: "['col4'] not found in axis"
"""Can someone help me understand what is meant by an "axis" in pandas/numpy/scipy?
有人能帮我理解一下，在pandas、numpy、scipy三都当中axis参数的真实含义吗？
投票最高的答案揭示了问题的本质：
其实问题理解axis有问题，df.mean其实是在每一行上取所有列的均值，而不是保留每一列的均值。也许简单的来记就是axis=0代表往跨行（down)，而axis=1代表跨列（across)，作为方法动作的副词（译者注）
换句话说:
使用0值表示沿着每一列或行标签\索引值向下执行方法
使用1值表示沿着每一行或者列标签模向执行对应的方法
下图代表在DataFrame当中axis为0和1时分别代表的含义:
axis参数作用方向图示
另外，记住，Pandas保持了Numpy对关键字axis的用法，用法在Numpy库的词汇表当中有过解释：
轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。
所以问题当中第一个列子 df.mean(axis=1)代表沿着列水平方向计算均值，而第二个列子df.drop(name, axis=1) 代表将name对应的列标签（们）沿着水平的方向依次删掉。
那么更高维度呢？还是适用吗？就不适用了！
第一个块是4,6而不是3,7。axis=1就不是按行了
np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a.sum(axis = 1)
>>>array([[ 4, 6], [24, 26]])
二维情况还是符合0按列，1按行的。
b = np.array([[1,2],[3,4]])
print(b.sum(axis=0)) # [4 6]
print(b.sum(axis=1)) # [3 7]
print(np.mean(b,axis=0)) # [2. 3.]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。
关于tensor
其实和高维的numpy是一样的分析思路，见第二部分，那个就是很直观的感受分析。这个画图的更加有逻辑一些（个人感受）。
- axis就是数组层级
- 设axis=i，则numpy沿着第i个下标变化的方向进行操作
axis就是数组层级
要想理解axis，首先我们先要弄清楚“Numpy中数组的维数”和"线性代数中矩阵的维数"这两个概念以及它们之间的关系。在数学或者物理的概念中，dimensions被认为是在空间中表示一个点所需要的最少坐标个数，但是在Numpy中，dimensions指代的是数组的维数。比如下面这个例子：
>>> import numpy as np
>>> a = np.array([[1,2,3],[2,3,4],[3,4,9]])
>>> a
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 9]])这个array的维数只有2，即axis轴有两个，分别是axis=0和axis=1。如下图所示，该二维数组的第0维(axis=0)有三个元素(左图)，即axis=0轴的长度length为3；第1维(axis=1)也有三个元素(右图)，即axis=1轴的长度length为3。正是因为axis=0、axis=1的长度都为3，矩阵横着竖着都有3个数，所以该矩阵在线性代数是3维的(rank秩为3)。
因此，axis就是数组层级。
当axis=0，该轴上的元素有3个(数组的size为3)
a[0]、a[1]、a[2]
当axis=1，该轴上的元素有3个(数组的size为3)
a[0][0]、a[0][1]、a[0][2]
（或者a[1][0]、a[1][1]、a[1][2]）
（或者a[2][0]、a[2][1]、a[2][2]）
再比如下面shape为(3,2,4)的array：
>>> b = np.array([[[1,2,3,4],[1,3,4,5]],[[2,4,7,5],[8,4,3,5]],[[2,5,7,3],[1,5,3,7]]])
>>> b
array([[[1, 2, 3, 4],
[1, 3, 4, 5]],
[[2, 4, 7, 5],
[8, 4, 3, 5]],
[[2, 5, 7, 3],
[1, 5, 3, 7]]])
>>> b.shape
(3, 2, 4)这个shape（用tuple表示）可以理解为在每个轴（axis）上的size，也即占有的长度（length)。为了更进一步理解，我们可以暂时把多个axis想象成多层layers。axis=0表示第一层(下图黑色框框)，该层数组的size为3，对应轴上的元素length = 3；axis=1表示第二层(下图红色框框)，该层数组的size为2，对应轴上的元素length = 2；axis=2表示第三层(下图蓝色框框)，对应轴上的元素length = 4。
设axis=i，则numpy沿着第i个下标变化的方向进行操作
- 1.二维数组示例：
比如np.sum(a, axis=1)，结合下面的数组， a[0][0]=1、a[0][1]=2、a[0][2]=3 ，下标会发生变化的方向是数组的第一维。
我们往下标会变化的方向，把元素相加后即可得到最终结果：
[
[6],
[9],
[16]
]- 2.三维数组示例：
再举个例子，比如下边这个np.shape(a)=(3,2,4)的3维数组，该数组第0维的长度为3(黑色框框)，再深入一层，第1维的长度为2(红色框框)，再深入一层，第2维的长度为4(蓝色框框)。
如果我们要计算np.sum(a, axis=1)，在第一个黑色框框中，
下标的变化方向如下所示：
所以，我们要把上下两个红色框框相加起来
按照同样的逻辑处理第二个和第三个黑色的框框，可以得出最终结果：
所以，依然是我们前边总结的那一句话，设axis=i，则Numpy沿着第i个下标变化的方向进行操作。
- 3.四维数组示例：
比如下面这个巨复杂的4维数组，
>>> data = np.random.randint(0, 5, [4,3,2,3])
>>> data
array([[[[4, 1, 0],
[4, 3, 0]],
[[1, 2, 4],
[2, 2, 3]],
[[4, 3, 3],
[4, 2, 3]]],
[[[4, 0, 1],
[1, 1, 1]],
[[0, 1, 0],
[0, 4, 1]],
[[1, 3, 0],
[0, 3, 0]]],
[[[3, 3, 4],
[0, 1, 0]],
[[1, 2, 3],
[4, 0, 4]],
[[1, 4, 1],
[1, 3, 2]]],
[[[0, 1, 1],
[2, 4, 3]],
[[4, 1, 4],
[1, 4, 1]],
[[0, 1, 0],
[2, 4, 3]]]])当axis=0时，numpy沿着第0维的方向进行求和，也就是第一个元素值=a0000+a1000+a2000+a3000=11,第二个元素=a0001+a1001+a2001+a3001=5，同理可得最后的结果如下：
>>> data.sum(axis=0)
array([[[11, 5, 6],
[ 7, 9, 4]],
[[ 6, 6, 11],
[ 7, 10, 9]],
[[ 6, 11, 4],
[ 7, 12, 8]]])因为数组是4*3*2*3，沿着第0维操作，axis=0，最后结果为3*2*3。记得不要看array的最外面的【】！
当axis=3时，numpy沿着第3维的方向进行求和，也就是第一个元素值=a0000+a0001+a0002=5,第二个元素=a0010+a0011+a0012=7，同理可得最后的结果如下：
>>> data.sum(axis=3)
array([[[ 5, 7],
[ 7, 7],
[10, 9]],
[[ 5, 3],
[ 1, 5],
[ 4, 3]],
[[10, 1],
[ 6, 8],
[ 6, 6]],
[[ 2, 9],
[ 9, 6],
[ 1, 9]]])因为数组是4*3*2*3，沿着第3维操作，axis=3，最后结果为4*3*2。记得不要看array的最外面的【】！ 直接算数组大小
axis的应用
例如现在我们收集了四个同学对苹果、榴莲、西瓜这三种水果的喜爱程度进行打分的数据（总分为10），每个同学都有三个特征：
>>> item = np.array([[1,4,8],[2,3,5],[2,5,1],[1,10,7]])
>>> item
array([[1, 4, 8],
[2, 3, 5],
[2, 5, 1],
[1, 10, 7]])每一行包含了同一个人的三个特征，如果我们想看看哪个同学最喜欢吃水果，那就可以用：
>>> item.sum(axis = 1)
array([13, 10, 8, 18])可以大概看出来同学4最喜欢吃水果。
如果我们想看看哪种水果最受欢迎，那就可以用：
>>> item.sum(axis = 0)
array([ 6, 22, 21])可以看出基本是榴莲最受欢迎。
参考：
Python之NumPy（axis=0 与axis=1）区分
375
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
