前言

在numpy的使用中，对axis的使用总是会产生疑问，如np.sum函数，在多维情况下，axis不同的取值应该做怎样的运算呢？返回的是什么形状的数组呢？在网上查了很多资料，总是似懂非懂，查阅了官方文件，以及多次试验后，我总结出一种能深入透彻理解axis用法的说明，配合着np.sum例子。希望大家再也不会对axis的使用产生困惑，即使在高维情况下也信手拈来。

numpy中axis取值的说明

首先对numpy中axis取值进行说明：一维数组时axis=0，二维数组时axis=0，1，维数越高，则axis可取的值越大，数组n维时，axis=0，1，…，n。为了方便下面的理解，我们这样看待：在numpy中数组都有着[]标记，则axis=0对应着最外层的[]，axis=1对应第二外层的[]，以此类推，axis=n对应第n外层的[]。
下面开始从axis=0，axis=1这两个例子开始，深入透彻的理解numpy中axis的用法。

axis = 0表示对最外层[]里的最大单位块做块与块之间的运算,同时移除最外层[]：

a= np.array([1,2,3])
a.sum(axis = 0)
>>>6

因为只有一层[]，所以直接对这一层里的最大单位快1，2，3做运算；
做完加法后本应是[6]，但是移除最外层[]后，[]不存在了，所以返回的是6。

a= np.array([[1,2],[3,4]])
a.sum(axis = 0)
>>>array([4, 6])

有两层[]，最外层[]里的最大单位块分别为[1,2]，[3,4]，对这两个单位块做块与块之间的运算，[1,2]+[3,4] = [4, 6]；
做完加法后本应是[[4, 6]]，但是移除最外层[]后，原来的两层[]变成一层[],所以返回结果为 [4, 6]。

np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a.sum(axis = 0)
>>>array([[12, 14], [16, 18]])

有三层[]，最外层[]里的最大单位块分别为[[1,2],[3,4]]，[[11,12],[13,14]]，对这两个单位块做块与块之间的运算，[[1,2],[3,4]] + [[11,12],[13,14]] = [[12, 14], [16, 18]]；
做完加法后本应是[[[12, 14], [16, 18]]]，但是移除最外层[]后，原来的三层[]变成两层[],所以返回结果为[[12, 14], [16, 18]]；

axis= 1表示对第二外层[]里的最大单位块做块与块之间的运算,同时移除第二外层[]：

a= np.array([1,2,3])
a.sum(axis = 1)
>>>ValueError: 'axis' entry is out of bounds

因为只有一层[]，axis取值只有一个，为0.

a= np.array([[1,2],[3,4]])
a.sum(axis = 1)
>>>array([3, 7])

有两层[]，第二外层[]里的最大单位块有两组（因为有两个第二外层[]），第一组是1，2，第二组是3，4，分别对这两个单位块做块与块之间的运算，第一组结果为1+2=3，第二组结果为3+4=7；
做完加法后本应是[[3],[7]]，但是**移除第二外层[]**后，原来的两层[]变成一层[],所以返回结果为[3, 7]。

np.array([[[1,2],[3,4]],[[11,12],[13,14]]])
a.sum(axis = 1)
>>>array([[ 4,  6], [24, 26]])

有三层[]，第二外层[]里的最大单位块有两组（因为有两个第二外层[]），第一组是[1,2],[3,4]，第二组是[11,12],[13,14]，分别对这两个单位块做块与块之间的运算，第一组结果为[1,2]+[3,4] = [ 4, 6]，第二组结果为[11,12]+[13,14] = [24, 26]
做完加法后本应是[[[ 4, 6]], [[24, 26]]]，但是**移除第二外层[]**后，原来的三层[]变成两层[],所以返回结果为[[ 4, 6], [24, 26]]

axis = 3，4，5也如此分析

看懂了这些说明，相信你对axis已经有了深入的理解，以后再也不用怕高维数组关于axis的运算了！

Python之NumPy（axis=0/1/2...）的透彻理解——通过np.sum(axis=?)实例进行说明相关推荐

Python：一文让你彻底理解numpy中axis=-1/0/1/2... [实例讲解：np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]
前言接触python有一段时间了,但总有一道坎在心中挥之不去,那就是Numpy模块中的axis=-1/0/1/2...,每每见到axis=-1.axis=0.axis=1.axis=2等操作,心中真 ...
Python之numpy函数
活动地址:CSDN21天学习挑战赛学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩:迟一天就多一天平庸的困扰. 学习日记目录学习日记一.numpy概述 1.numpy简介 2.nump ...
Python中np.sum()对axis的个人理解，超详细
你们讨论的axis=0和1并不是简单的行和列,axis=0表示的是第一个维度,在第一个维度上的元素间进行求和.比较大小,axis=1表示的是第二个维度,在第二个维度上的元素间进行求和.比较大小.一个维 ...
【python】详解numpy库与pandas库axis=0，axis= 1轴的用法
对数据进行操作时,经常需要在横轴方向或者数轴方向对数据进行操作,这时需要设定参数axis的值: axis = 0 代表对横轴操作,也就是第0轴: axis = 1 代表对纵轴操作,也就是第1轴: nu ...
Python Pandas的DataFrame对象中轴的意义，axis=0 或者axis=1代表什么意思？
Python Pandas的DataFrame对象中轴的意义,axis=0 或者axis=1代表什么意义? 通常来说:axis = 0代表行, axis=1代表列. 一.从删除操作来看axis: 举个 ...
python中的axis=0和1代表什么
python中的axis=0和1代表什么之前一直很疑惑axis=0和axis=1到底什么时候代表按行操作.什么时候是按列操作.记得在R中也有类似的问题(0代表行.1代表列). 在(caiqingfe ...
python 空数组_从零开始学python之numpy
Numpy是python中一个常用的库,其支持大量的维度数据与矩阵运算,也拥有针对数据运算的数学函数库,用于独特的数组存储方式及对应的处理方法.一般用以下方式导入: import numpy as n ...
Python中numpy数组的拼接、合并
转载 https://blog.csdn.net/qq_39516859/article/details/80666070?utm_source=blogxgwz1 Python中numpy数组的合并 ...
【Python】Numpy中对向量、矩阵的使用
在下面的代码里面,我们利用numpy和scipy做了很多工作,每一行都有注释,讲解了对应的向量/矩阵操作. 归纳一下,下面的代码主要做了这些事: 创建一个向量创建一个矩阵创建一个稀疏矩阵选择元素 ...
[转载] Python之Numpy模块中的方法详解
参考链接: Python中的numpy.diag_indices Numpy(Numerical Python)是科学计算基础库,提供大量科学计算相关功能,比如数据统计,随机数生成等,其提供最核心类型 ...

Python之NumPy（axis=0/1/2...）的透彻理解——通过np.sum(axis=?)实例进行说明

前言

numpy中axis取值的说明

Python之NumPy（axis=0/1/2...）的透彻理解——通过np.sum(axis=?)实例进行说明相关推荐

最新文章

热门文章