pandas的axis参数理解与Numpy中的axis参数理解

pandas中简单的二维矩阵

• axis=0或者“index” :
  如果是单行操作，就指的是某一行
  如果是聚合操作，指的是跨行cross rows
• axis=1或者“columns”
  如果是单列操作，就指的是某一列
  如果是聚合操作，指的是跨列cross columns
  
  按哪个axis，就是这个axis要动起来（类似被for循环遍历），其他的axis保持不动
  在二位矩阵中将axis=0理解成行，axis=1理解成列是没有问题的，但是在多维度矩阵中就比较难以理解，接下来会介绍多维矩阵中的理解方法
  先看例子：首先是生成测试数据，数据为0-11的三行四列的二维矩阵，列名为A,B,C,D

df = pd.DataFrame(np.arange(12).reshape(3,4),columns=["A","B","C","D"])
df

#结果：
	A	B	C	D
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11

进行单行删除操作（axis = 0） 需要指定行索引

print(df.drop(0,axis=0))

#结果：
   A  B   C   D
1  4  5   6   7
2  8  9  10  11

进行跨行求均值聚合操作（axis = 0） ，就是跨行操作，axis = 0在动，其他的axis不动，得到的实际就是每一列均值

print(df.mean(axis=0))

#结果：
A    4.0
B    5.0
C    6.0
D    7.0
dtype: float64

进行单列删除操作（axis = 1） 需要指定列名

print(df.drop(['A'],axis=1))

#结果：
   B   C   D
0  1   2   3
1  5   6   7
2  9  10  11

进行跨列求均值聚合操作（axis = 1） ，就是跨列操作，axis = 1在动，其他的axis不动，得到的实际就是每一行均值

print(df.mean(axis=1))

#结果：
0    1.5
1    5.5
2    9.5
dtype: float64

Numpy中的多维矩阵（建议二维也参照这个理解）

在多维矩阵中就不能把axis=0理解成行，axis=1，理解成列了，要将axis理解成轴更合理，有个不变的规则是，axis=0，永远指的是narray最外层的括号，axis=1是第二个括号，axis=2是第三个括号，以此类推。
代码分析验证：生成数据，数据是0-23的，矩阵形状是（2，3，4）

data = np.arange(24).reshape(2, 3, 4)
data
#结果：
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

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

其中reshape（2，3，4） ，维度2代表的是最外层括号，即axis=0 ，维度3即axis=1，维度4即axis=2
假设我们取均值 要拿掉维度2(axis=0)，按照上面的理解我们拿掉的是最外层的括号，得到的维度应该是3*4

print (data.mean(axis=0))
#结果：
[[ 6.  7.  8.  9.]
 [10. 11. 12. 13.]
 [14. 15. 16. 17.]]

具体的计算逻辑为：我们要消灭的维度为2，所以参与计算的元素是两个，比如6这个值，是0与12求平均的结果，结果矩阵b中b[0][0]是a[0][0][0]与a[1][0][0]求平均的结果
假设要消灭的维度为3，axis=1，参与计算的元素是3个，最后的结果是2*4。

print (data.mean(axis=1))
#结果：
[[ 4.  5.  6.  7.]
 [16. 17. 18. 19.]]

结果矩阵b[0][0]是a[0][0][0]+a[0][1][0]+a[0][2][0]平均的结果