如何理解Numpy中多维数组的axis

    在对高维数组使用 np.sum()时，总是对 axis参数的运用不是很清楚，所以特意做了个小实验了解了一番。

    首先从源码的说明文档处可以看出，axis就是求和的“轴”，即沿着axis方向进行求和。

    axis : None or int or tuple of ints, optional
        Axis or axes along which a sum is performed.  The default,
        axis=None, will sum all of the elements of the input array.  If
        axis is negative it counts from the last to the first axis.
        .. versionadded:: 1.7.0
        If axis is a tuple of ints, a sum is performed on all of the axes
        specified in the tuple instead of a single axis or all the axes as
        before.

1. 实验（axis为一维）

    对下面的这个三维数组来说，它的shape为(2,3,2)

import numpy as np
a=np.array([[[1,2],[3,4],[5,6]],[[7,8],[9,10],[11,12]]])
print(a.shape)
>>>(2, 3, 2)

    我们分别从axis=0, 1, 2方向对该三维数组求和，并打印出它们的shape：

2. 分析（axis为一维）

    原始数组[[[1,2],[3,4],[5,6]],[[7,8],[9,10],[11,12]]]的shape为（2，3，2），分别对应三维坐标中每一【行、列、层】里面的元素个数。

[[[ 1  2]
  [ 3  4]
  [ 5  6]]

 [[ 7  8]
  [ 9 10]
  [11 12]]]

    ① 当axis=0时，去掉数组最外面的中括号`[]`，按【层】的方向进行求和：做两个二维块之间的运算，对应位置元素相加，【层】这一维就没有了。

（2，3，2）——>（3，2）

[[ 8 10]
 [12 14]
 [16 18]]

    ② 当axis=1时，去掉中间的那层[]，按【列】的方向进行求和：同一【列】的元素相加，然后【列】这一维就没有了。
（2，3，2）——>（2，2）

[[ 9 12]
 [27 30]]

③ 当axis=2时，去掉最内的[]，按【行】的方向进行求和：同一【行】的相加，然后【行】这一维就没有了；由于【列】、【层】前面的维度消失了，所以都往前挪一维。
（2，3，2）——>（3，2）—前挪—>（2，3）

[[ 3  7 11]
 [15 19 23]]

    事实上，这个axis的数值叫做数值的trailing dimension（后缘维度），即从末尾开始算起的第几个维度。

3. axis为二维的情况

axis也可以是二维的，以axis=(0,1)为例，即沿最外两层【层】【列】都进行相加。显然这种情况下相加的结果是一维的，即只剩一个一维向量了。并且可以看到，axis=(0,1)和axis=(0,1)的结果是相同的