numpy中轴的理解与计算

对数组的轴和轴计算的理解

在学习numpy的时候，最难理解的就是轴的概念，我们知道坐标系中有轴的概念，那么两个轴是否有关联呢？为了便于理解，特写此博客进行梳理。

理解轴

（1）二维数组

2维数组，axis=0，纵轴；axis=1，横轴；如果是3维及以上的多维数组，先最外层，然后一层一层按照先横轴再纵轴的逻辑进行匹配轴。

import numpy as np
a = np.array([[1,2,3,4,5,6,7,8]]).reshape(2,4)
print(a)

[[1 2 3 4]
 [5 6 7 8]]

axis=0代表往跨行（down)，而axis=1代表跨列（across)。

换句话说:

使用0值表示沿着每一列按行标签索引值向下执行方法
使用1值表示沿着每一行按列标签向右执行对应的方法

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。

# 2维数组的sum方法
import numpy as np
arr1 = np.array([1,2,3,4,5,6]).reshape(2,3)
print(arr1)
print(arr1.shape)

print()
print('axis = 0 代表跨行，按列进行运算:')
print(arr1.sum(axis=0))   # axis = 0 代表跨行，按列进行运算
print(arr1.sum(axis=0).shape)

print()
print('axis =1  代表跨列，按行进行运算:')
print(arr1.sum(axis=1))   # axis =1  代表跨列，按行进行运算
print(arr1.sum(axis=1).shape)

结果为：

[[1 2 3]
 [4 5 6]]
(2, 3)

axis = 0 代表跨行，按列进行运算:
[5 7 9]
(3,)

axis =1  代表跨列，按行进行运算:
[ 6 15]
(2,)

（2）三维数组

import numpy
b = numpy.arange(24).reshape(2, 3, 4)
print(b.ndim)
print(b.shape)
print(b)

结果为：

3
(2, 3, 4)
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

理解：

拆分详解：

计算轴

以sum方法为例，会发现以哪一个轴为参数计算，该轴变为0（降一个维度）
如sum应用在2维数组，axis=0，以横轴为参数计算和，则是纵向相加（逐行相加）；axis=1，以纵轴为参数计算和，则是横向相加（逐列相加）。

三维数组代码展示:

import numpy as np

arr2 = np.arange(24).reshape(2,3,4)
print(arr2)
print(arr2.shape)

print()
print('进行 axis = 0轴相加：')
print(arr2.sum(axis=0))
print(arr2.sum(axis=0).shape)

print()
print('进行 axis = 1轴相加：')
print(arr2.sum(axis=1))
print(arr2.sum(axis=1).shape)

print()
print('进行 axis = 2轴相加：')
print(arr2.sum(axis=2))
print(arr2.sum(axis=2).shape)

结果为：

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
(2, 3, 4)

进行 axis = 0轴相加：
[[12 14 16 18]
 [20 22 24 26]
 [28 30 32 34]]
(3, 4)

进行 axis = 1轴相加：
[[12 15 18 21]
 [48 51 54 57]]
(2, 4)

进行 axis = 2轴相加：
[[ 6 22 38]
 [54 70 86]]
(2, 3)

解析：
（1）进行 axis = 0轴相加：

[[12 14 16 18]
[20 22 24 26]
[28 30 32 34]]

注意此时结果的形状为 shape=(3,4), axis = 0 轴变为0，降了一个维度。

（2）进行 axis = 1轴相加：

[[12 15 18 21]
[48 51 54 57]]

注意此时结果的形状为 shape=(2,4), axis = 1 轴变为0，降了一个维度。

（3）进行 axis = 2轴相加：

[[ 6 22 38]
[54 70 86]]

注意此时结果的形状为 shape=(2,3), axis = 2 轴变为0，降了一个维度。

~

附网上找到的一张图片：

参考博客:
https://blog.csdn.net/qq_40720983/article/details/82767392