python numpy中axis的含义_Numpy中的axis/axes详解

首先，在Numpy中，维数(dimensions)通过轴(axes)来扩展，轴的个数被称作rank。这里的rank不是线性代数中的rank(秩)，它指代的依旧是维数(number of dimensions)：

The number of axes (dimensions) of the array. In the Python world, the number of dimensions is referred to as rank.

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axes。也就是说，axes、dimensions、rank这几个概念是相通的。

下面举例子，比如我们在3-D空间中定义三个点，用array的形式表达：

>>>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]])

按照以往的理解，我们可能会认为这个array是三维的，但实际上在Numpy中，这个array的dimensions，也就是rank的值是等于2的：

>>>np.ndim(a)

2

因为它只有两个axis，只不过这两个axis的长度(length)均为3：

>>>np.shape(a)

(3, 3)

同时，这个矩阵在线性代数中的rank(秩)依旧是3(这里要加以区分)：

>>>np.linalg.matrix_rank(a)

3

也就是说，在Numpy中，任何vector都被看作具有不同长度(length)的一维array。

下面继续聊聊axis/axes，我们依旧先定义一个3-D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)

我们定义了一个shape为(3, 2, 4)的array，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)，三个值的含义：axis = 0对应轴上的元素length =