Python NumPy中sum()函数详解 axis与keepdims图解

最新推荐文章于 2024-05-21 11:06:54 发布

独步天秤

最新推荐文章于 2024-05-21 11:06:54 发布

阅读量1.5w

点赞数 30

分类专栏： Python 文章标签： Python NumPy

本文链接：https://blog.csdn.net/yl_best/article/details/102605033

版权

Python 专栏收录该内容

20 篇文章 6 订阅

订阅专栏

axis = (0, 2),keepdims=True

总结与扩展

经常使用NumPy的小伙伴会遇到axis与keepdims这两个参数，今天笔者来给大家解剖一下。

以NumPy中sum()函数为例，【】里为笔者翻译与理解。

numy.sum()函数定义与说明

函数定义：sum(a, axis=None, dtype=None, out=None, keepdims=np._NoValue, initial=np._NoValue)
作用：Sum of array elements over a given axis. 【指定轴方向上矩阵元素求和。】

Parameters 参数
----------
axis : None or int or tuple of ints, optional 【可选参数，可以为None, 整数或者整数元组】
    Axis or axes along which a sum is performed. 【某个轴或多个轴方向上进行求和运算。】
    The default, axis=None, will sum all of the elements of the input array.  
   【默认情况下，axis=None，会计算输入矩阵      中所有元素的和。】
    If axis is negative it counts from the last to the first axis. 
   【如果axis为负数，则从最后一维开始往第一维计算。后续有说明。】
    .. versionadded:: 1.7.0【1.7.0版本新增：】
    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.【如果axis为整数元组，会对该元组指定的所有轴方向上元素进行求和。】

keepdims : bool, optional【布尔类型，可选参数。keepdims是keep dimensions的简写】
    If this is set to True, the axes which are reduced are left
    in the result as dimensions with size one. 
   【如果这个参数为True，被删去的维度在结果矩阵中就被设置为一。
    举例：如果一个2*3*4的三维矩阵，axis=0，keepdims默认为False，则结果矩阵被降维至3*4（二维矩阵）；
    如果keepdims=True, 则矩阵维度保持不变，还是三维，只是第零个维度由2变为1，即1*3*4的三维矩阵】
     With this option, the result will broadcast correctly against the input array.
    【有了这个选项，结果矩阵就可以与原 始输入矩阵进行正确的广播运算。】
    If the default value is passed, then `keepdims` will not be
    passed through to the `sum` method of sub-classes of
    `ndarray`, however any non-default value will be. 
   【如果设定为默认值，那么keepdims不会传递给ndarray子类的sum方法；但是任何非默认值都会传递。】 
    If the sub-class' method does not implement `keepdims` any
    exceptions will be raised.【如果子类方法未实现keepdims，则将引发异常。】

Returns 返回值
-------
sum_along_axis : ndarray【指定轴方向上的和：ndarray类型】
    An array with the same shape as `a`, with the specified axis removed.   
   【与输入参数'a'一样的shape，只是指定轴被移除了。】
    If `a` is a 0-d array, or if `axis` is None, a scalar is returned.
   【如果'A`是0维矩阵，或者如果`axis`是None，则返回一个标量】
    If an output array is specified, a reference to `out` is returned.
   【如果输出矩阵有指定，则返回'out'的引用。】

代码示例、说明及输出

#! /usr/bin/env python
# -*- coding: utf-8 -*-

# import the necessary packages
import numpy as np

a1 = np.arange(24).reshape(2, 3, 4)     # 创建一个2*3*6矩阵
print("a1:\n", a1)

以2*3*4的三维矩阵为例，它的shape为（2, 3, 4）,axis的值是从零开始的，只能是{0, 1, 2}范围内。

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

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

下面是笔者的理解方式

axis = i，则矩阵运算沿着第i个下标变化的方向进行操作

axis(正)	0	1	2	从最外层往里剥开计算
shape	2	3	4
axis(负)	-3	-2	-1	从最里层往外剥开计算

axis = 0 或axis = -3

print("np.sum(a1, axis=0):\n", np.sum(a1, axis=0))
print("np.sum(a1, axis=-3):\n", np.sum(a1, axis=-3))

当axis=0时，第零轴被移除（removed），原三维矩阵2*3*4会被降维至3*4二维矩阵。

axis(正)	0	1	2
shape	2	3	4
axis(负)	-3	-2	-1

axis = 0：第零轴维数为2，下标范围为{0,1}，这个轴上会有两个数同时相加，具体参考如下表格。

注意红色数字下标。

a[0][0][0] +

a[1][0][0]

a[0][0][1] +

a[1][0][1]

a[0][0][2] +

a[1][0][2]

a[0][0][3]+

a[1][0][3]

a[0][1][0] +

a[1][1][0]

a[0][1][1] +

a[1][1][1]

a[0][1][2] +

a[1][1][2]

a[0][1][3] +

a[1][1][3]

a[0][2][0] +

a[1][2][0]

a[0][2][1] +

a[1][2][1]

a[0][2][2] +

a[1][2][2]

a[0][2][3] +

a[1][2][3]

图片上同样背景色的数字相加求和。

当axis=-3时，求和运算是在倒数第三个轴方向上进行，在此矩阵示例中即为第零轴，二者的计算结果一样。

代码输出结果

np.sum(a1, axis=0):
[[12 14 16 18]
[20 22 24 26]
[28 30 32 34]]

axis = 1 或 axis = -2

print("np.sum(a1, axis=1):\n", np.sum(a1, axis=1))
print("np.sum(a1, axis=-2):\n", np.sum(a1, axis=-2))

当axis=1时，第一轴被移除（removed），原三维矩阵2*3*4会被降维至2*4二维矩阵。

axis(正)	0	1	2
shape	2	3	4
axis(负)	-3	-2	-1

axis = 1：第一轴维数为3，下标范围为{0,1,2}，这个轴上会有三个数同时相加，具体参考如下表格。

注意红色数字下标。

a[0][0][0] +

a[0][1][0] +

a[0][2][0]

a[0][0][1] +

a[0][1][1] +

a[0][2][1]

a[0][0][2] +

a[0][1][2] +

a[0][2][2]

a[0][0][3] +

a[0][1][3] +

a[0][2][3]

a[1][0][0] +

a[1][1][0] +

a[1][2][0]

a[1][0][1] +

a[1][1][1] +

a[1][2][1]

a[1][0][2] +

a[1][1][2] +

a[1][2][2]

a[1][0][3] +

a[1][1][3] +

a[1][2][3]

图片上同样背景色的数字相加求和。

当axis=-2时，求和运算是在倒数第二个轴方向上进行，在此矩阵示例中即为第一轴，二者的计算结果一样。

代码输出结果

np.sum(a1, axis=1):
[[12 15 18 21]
[48 51 54 57]]

axis = 2或axis = -1

print("np.sum(a1, axis=2):\n", np.sum(a1, axis=2))
print("np.sum(a1, axis=-1):\n", np.sum(a1, axis=-1))

当axis=2时，第零轴被移除（removed），原三维矩阵2*3*4会被降维至2*3二维矩阵。

axis(正)	0	1	2
shape	2	3	4
axis(负)	-3	-2	-1

axis = 2：第二轴维数为4，下标范围为{0,1,2, 3}，这个轴上会有四个数同时相加，具体参考如下表格。

注意红色数字下标。

a[0][0][0] +

a[0][0][1] +

a[0][0][2] +

a[0][0][3]

a[0][1][0] +

a[0][1][1] +

a[0][1][2] +

a[0][1][3]

a[0][2][0] +

a[0][2][1] +

a[0][2][2] +

a[0][2][3]

a[1][0][0] +

a[1][0][1] +

a[1][0][2] +

a[1][0][3]

a[1][1][0] +

a[1][1][1] +

a[1][1][2] +

a[1][1][3]

a[1][2][0] +

a[1][2][1] +

a[1][2][2] +

a[1][2][3]

图片上同样背景色的数字相加求和。

当axis=-1时，求和运算是在倒数第一个轴方向上进行，在此矩阵示例中即为第二轴，二者的计算结果一样。

代码输出结果

np.sum(a1, axis=2):
[[ 6 22 38]
[54 70 86]]

axis = (0, 2)

print("np.sum(a1, axis=(0,2)):\n", np.sum(a1, axis=(0,2)))
print("np.sum(a1, axis=(-3,-1)):\n", np.sum(a1, axis=(-3,-1)))      # axis=(-1,-3) 这样写也可以

当axis=(0, 2)时，第零轴和第二轴都被移除（removed），原矩阵2*3*4会被降维成只有3个元素的一维矩阵，shape为（3,）。

axis(正)	0	1	2
shape	2	3	4
axis(负)	-3	-2	-1

axis=(0, 2)：第零轴维数为2，下标范围为{0,1}；第二轴维数为4，下标范围为{0,1,2，3}。会有2*4=8个数同时相加。

图片上同样背景色的数字相加求和。

代码输出结果

指定的第零轴和第二轴被移除，输出结果矩阵被降维，变成一维矩阵，里面有三个元素。

np.sum(a1, axis=(0,2)):
[ 60 92 124]

axis = (0, 1)与axis = (1, 2)的情况大家自行实验。

以上所有代码都是在keepdims=False的情况下。下面看一下keepdims=True的例子。

axis = (0, 2),keepdims=True

print("np.sum(a1, axis=(0,2),keepdims=True):\n", np.sum(a1, axis=(0,2),keepdims=True))

【如果keepdims这个参数为True，被删去的维度在结果矩阵中就被设置为一。举例：如果一个2*3*4的三维矩阵，axis=0，keepdims默认为False，则结果矩阵被降维至3*4（二维矩阵）；如果keepdims=True, 则矩阵维度保持不变，还是三维，只是第零个维度由2变为1，即1*3*4的三维矩阵】 With this option, the result will broadcast correctly against the input array. 【有了这个选项，结果矩阵就可以与原始输入矩阵进行正确的广播运算。】

axis(正)	0	1	2
shape	2	3	4
axis(负)	-3	-2	-1

原理参考上面的笔者翻译，输出结果还是三维矩阵，只是指定的第零轴和第二轴全部变为一维了，即shape为1*3*1。

这样做的目的是方便后续与原始矩阵的广播运算(加减乘除等)。

代码输出结果

np.sum(a1, axis=(0,2),keepdims=True):
[[[ 60]
[ 92]
[124]]]

如果觉得这种理解困难，可以参考其他博客上介绍的方法：

《Python之NumPy（axis=0/1/2...）的透彻理解》

总结与扩展

NumPy中的mean(), average(), all(), any(), concat()等函数中的axis参数与sum()函数原理一样。

带有axis参数的常用函数请参考下面表格。

TensorFlow concat()的axis参数与 PyTorch中cat()的dim参数也与sum()函数的axis参数一样的原理。

关于numpy.all()与any()可以参考另外一篇博客《Python NumPy.all()与any()函数理解》。

函数名	作用
mean	求平均值
average	求加权平均值
std	求标准差
var	求方差
min, max	求最小值，求最大值
prod	计算所有元素的乘积
all	判断所有元素是否都为True
any	判断是否有元素为True
concat	矩阵拼接
sort	给矩阵排序
argsort	排序后的矩阵中各元素在原始输入矩阵中的索引位置
argmax	求最大值在原始输入矩阵中的索引位置

独步天秤

关注

30
点赞
踩
103

收藏

觉得还不错? 一键收藏
2
评论
Python NumPy中sum()函数详解 axis与keepdims图解

目录numy.sum()函数定义与说明代码示例、说明及输出axis = 0 或axis = -3axis = 1 或 axis = -2axis = 2或axis = -1axis = (0, 2)axis = (0, 2),keepdims=True总结与扩展经常使用NumPy的小伙伴会遇到axis与keepdims这两个参数，今天笔者来给大家解剖一下。以...
复制链接

扫一扫