Python：numpy中的轴和pandas中的轴

由于对于这里面当中的理论不是太懂，所以我会直接从一个例子入手。

1.Numpy中的轴

先以2维数组为例

import numpy as np
#创建一个三维数组
data=np.arange(24).reshape(4,6)
print(data)

代码输出结果如下：

为了方面展示，我们将2维数组的元素及其索引都通过下面的表格展示出来。具体如下：

0  [0,0]	1 [0,1]	2 [0,2]	3 [0,3]	4 [0,4]	5 [0,5]
6 [1,0]	7 [1,1]	8 [1,2]	9 [1,3]	10 [1,4]	11 [1,5]
12 [2,0]	13 [2,1]	14 [2,2]	15 [2,3]	16 [2,4]	17 [2,5]
18 [3,0]	19 [3,1]	20 [3,2]	21 [3,3]	22 [3,4]	23 [3,5]

下面我们将data中的shape和axis之间的关系：

• 上述代码中的shape中的(4,6),其中4代表的是axis=0轴上的维度，而6对应的是axis=1轴上的维度。

下面我们来看看按轴求和之后的结果。

data_axis0=data.sum(axis=0)
data_axis1=data.sum(axis=1)
print(data_axis0)
print(data_axis1)

• 先来看按axis=0轴合并之后的结果(data_axis0)

36

40

44

48

52

56

下面来具体的看看以上的结果是如何计算出来的：（下面仅以36和40的计算过程为例）

36=0[0,0]+6[1,0]+12[2,0]+18[3,0] ,可以发现，这些元素在axis=0上的索引不同，而在axis=1轴上的索引是相同的。

40=1 [0,1]+7[1,1]+13[2,1]+19[3,1], 可以发现，这些元素在axis=0轴上索引不同，但是在axis=1轴上的索引是相同的。

• 再来看按axis=1轴合并之后的结果(data_axis1)

15

51

87

123

15=0[0,0]+1[0,1]+2[0,2]+3[0,3]+4[0,4]+5[0,5] ,可以发现这些元素在axis=0轴上的索引相同，而在axis=1轴上的索引不同。

51=6[1,0]+7[1,1]+8[1,2]+9[1,3]+10[1,4]+11[1,5],可以发现这些元素在axis=0轴上的索引相同，而在axis=1轴上的索引不同。

综上可以发现，numpy中按axis=i轴进行合并操作的时候，而相当于将所有其他轴上的索引相同的元素进行合并。

2.Pandas中的轴

import pandas as pd
import numpy as np
df=pd.DataFrame(np.arange(24).reshape(4,6),index=list('1234'),columns=list('ABCDEF'))
print(df)
df_axis0=df.sum(axis=0)
print(df_axis0)
df_axis1=df.sum(axis=1)
print(df_axis1)

代码运行结果如下：

axis=0轴进行合并的结果：

 axis=1轴进行合并的结果：

所以在pandas中axis=0实际上是映射到column上的，而axis=1映射到index上，仅就这两个轴的反向，pandas与numpy是相反的。