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，心中真是万马奔腾飘过...
But，有幸看了几篇博文，学到一些“奇淫技巧”，总结整理与大家分享！
铺垫知识
知识点1：python中的列表和numpy中的数组的区别
首先，python内置类型中是没有数组这个概念，有与numpy数组类似的：列表（list）和元组（tuple）
其次，列表、元组 与 数组有一个很本质的区别：存储数据类型是否统一，还有一个显著区别是print(数组 / 列表 元组)时，是否有逗号将其内元素隔开，即所谓的“是数组是列表元组，print遛一遛”
>>> import numpy as np
# numpy 数组 （存储数据类型统一）
>>> arr1 = np.array([1, 2, 3]) # 整型数组
>>> arr2 = np.array([1, 2, '3']) # 数组中有字符串类型元素，则numpy模块自动将所有元素转为字符串类型
>>> print(arr1)
[1 2 3] # 整型数组
>>> print(arr2)
['1' '2' '3'] # 字符串型数组 Tips:python中字符串类型可由：一对单引号'' 或 双引号 "" 构成# python 列表和元组 （存储数据类型可不统一）
>>> list1 = [1, 2, 3]
>>> print(list1)
[1, 2, 3]
>>> list2 = [1, 2, '3']
>>> print(list2)
[1, 2, '3']>>> tup1 = (1, 2, 3)
>>> print(tup1)
(1, 2, 3)
>>> tup2 = (1, 2, '3')
>>> print(tup2)
(1, 2, '3')
知识点2：如何判断数组的维度？
判断数组是是几维，可从左或从右数方括号数目，1个是1维，2个是2维，3个是3维…
如： [[[...]]] 是3维、[[[[[[......]]]]]]是6维
“括号最大块法”
“括号大法好，见轴（axis）保平安”
1）数组维度与axis的关系
| 数组维度 | axis取值 |
|---|---|
| 一维数组 | axis = 0 |
| 二维数组 | axis = 0 ，1 |
| 三维数组 | axis = 0， 1， 2 |
| 四维数组 | axis = 0， 1，2， 3 |
| N维数组 | axis = 0， 1， 2， 3， … ，N - 1 |
2）axis与“[]”对应关系
在numpy中数组都有[]标记，其对应关系：axis=0对应最外层的[]，axis=1对应第二外层的[]，…，axis=n对应第n外层的[]。以三维数组为例，两者关系如下表所示：
| axis | [ ] |
|---|---|
| axis = 0 |
[[ [ ] ]]
|
| axis = 1 |
[[[ ]]]
|
| axis = 2 |
[ [[ ]] ]
|
3）括号最大块法：“二步走”
第一步：由axis = value，找对应[]里的最大单位块
（np.sum()拆掉此层[]，np.argmax()不拆此层[]）
第二步：对单位块进行计算
- 当单位块是数值时，直接计算
- 当单位块是数组时，对应下标元素进行计算
那么问题来了，[]里的最大单位块，最大是几个意思？（难道不仅最大，还最长？ “咳咳，说正事儿…”）
一例胜千言：
[1，2，3]，[]里最大的单位块是数值 1 2 3
[[1，2]，[3，4]]，最外层[]里最大单位块是[1，2] 和 [3，4]，第二层[]里最大单位块是1，2 和 3，4
[[[1，2]，[3，4]]，[[5，6]，[7，8]]]，最外层[]里最大单位块是[[1，2]，[3，4]]和[[5，6]，[7，8]]，第二层[]里最大单位块是[1，2]，[3，4] 和 [5，6]，[7，8]，第三层[]里最大单位块是1，2 和 3，4 和 5，6 和 7，8
简而言之：某层[]里包裹的最大结构块
问题又来了，单位块是数组时，对应下标元素进行计算？何为对应？
[[1，2]，[3，4]]
axis=0，最外层[]，仅1个，其里包含两个最大块[1，2]、[3，4]，这两个块1和3、2和4即为对应
axis=1，第二层[]，有2个，两个[]都为数值，直接计算
[[[1, 2],[3, 4]], [[5, 6],[7, 8]]]
axis=0，最外层[]，仅1个，其里包含两个最大块[[1, 2],[3, 4]]、 [[5, 6],[7, 8]]，这两个块1和5、2和6、3和7、4和8即为对应
axis=1，第二层[]，有2个，第一个[]最大块为：[1, 2]、[3, 4]，其中1和3、2和4对应；第二个[]最大块为：[5, 6]，[7, 8]，其中5和7、6和8对应
axis=2，第三层[]，有4个，4个[]内都是数值，直接计算
上述讲解，有没有一种分治法，分而治之的感觉？
即：一个[]只治理一个[]下的元素，多个[]治理多个[]下的元素，互不干扰，共同解决问题！
实例1：np.sum(axis=-1/0/1/2)
一维数组
axis=0
>>> import numpy as np
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 0)
6
第一步：axis=0对应最外层[]，其内最大单位块为：1，2，3，并去掉[]
第二步：单位块是数值，直接计算：1+2+3=6
axis=1
>>> arr = np.array([1, 2, 3])
>>> arr.sum(axis = 1) # 越界使用，报错
Traceback (most recent call last):File "<stdin>", line 1, in <module>File "D:\Anaconda3\lib\site-packages\numpy\core\_methods.py", line 38, in _sumreturn umr_sum(a, axis, dtype, out, keepdims, initial, where)
numpy.AxisError: axis 1 is out of bounds for array of dimension 1
由此可知，使用axis时，不要越界，即：N维数组，最大能使用axis=N-1
二维数组
axis=0
>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 0)
array([4, 6])
第一步：axis=0对应最外层[]，其内最大单位块为：[1，2] 和 [3，4]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[1+3，2+4]=[4，6]
axis=1
>>> arr = np.array([[1, 2], [3, 4]])
>>> arr.sum(axis = 1)
array([3, 7])
第一步：axis=1对应第二层[]，其内最大单位块为：第一[]内： 1，2；第二[]内： 3，4，并去掉第二层[]
第二步：单位块是数值，直接进行计算，即：[1+2，3+4]=[3，7]
三维数组
axis=0
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr
array([[[1, 2],[3, 4]],[[5, 6],[7, 8]]])
>>> arr.sum(axis=0)
array([[ 6, 8],[10, 12]])
第一步：axis=0对应最外层[]，其内最大单位块为：[[1, 2],[3, 4]] 和 [[5, 6],[7, 8]]，并去掉最外层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：[[1, 2]，[3, 4]] + [[5, 6],[7, 8]] = [[1+5，2+6]，[3+7，4+8]] = [[6，8]， [10，12]]
axis=1
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=1)
array([[ 4, 6],[12, 14]])
第一步：axis=1对应第二层[]，其内最大单位块为：第一个[]： [1, 2]和[3, 4]；第二个[]： [5, 6]和[7, 8]，并去掉第二层[]
第二步：单位块是数组，两者对应下标元素进行计算，即：第一个[]内：[1+3，2+4]，第二个[]内：[5+7，6+8]，即：[[1+3，2+4]，[5+7， 6+8]] = [[4，6]，[12，14]]
axis=2
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=2)
array([[ 3, 7],[11, 15]])
第一步：axis=1对应第三层[]，其内最大单位块为：第一个[]：1，2；第二个[]：3，4；第三个[]：5，6；第四个[]：7，8，并去掉第三层[]
第二步：单位块是数值，直接进行计算，即：[[1+2，3+4]，[5+6，7+8]] = [[3，7]，[11，15]]
axis=-1
>>> arr = np.array([[[1, 2],[3, 4]], [[5, 6],[7, 8]]])
>>> arr.sum(axis=-1)
array([[ 3, 7],[11, 15]])
axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！
实例2：np.argmax(axis=-1/0/1/2)
np.argmax()：取数组中元素最大值的下标值
np.argmax()中axis=0/1/2…原理与np.sum()中类似，只是不用“拆括号”了！
一维数组
>>> import numpy as np
>>> arr = np.array([3, 4, 6, 9, 1, 2])
>>> print(np.argmax(arr)) # 默认axis=0
3
>>> print(np.argmax(arr, axis=0))
3
二维数组
axis=0
>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3, 6, 6, 2],[ 4, 7, 11, 2],[ 5, 9, 1, 3]])
>>> np.argmax(arr, axis=0)
array([2, 2, 1, 2], dtype=int64)
>>> print(np.argmax(arr, axis=0))
[2 2 1 2]
第一步：axis=0对应最外层[]，其内最大单位块为：[ 3, 6, 6, 2]、 [ 4, 7, 11, 2]和[ 5, 9, 1, 3]
第二步：单位块是数组，两者对应下标元素进行计算，即：argmax([3，4，5])、argmax([6，7，9])、argmax([6，11，1])、argmax([2，2，3])，得到4个最大值索引值：2、2、1、2，得到索引值数组：[2 2 1 2]
axis=1
>>> arr = np.array([[3, 6, 6, 2], [4, 7, 11, 2], [5, 9, 1, 3]])
>>> arr
array([[ 3, 6, 6, 2],[ 4, 7, 11, 2],[ 5, 9, 1, 3]])
>>> print(np.argmax(arr, axis=1))
[1 2 1]
第一步：axis=1对应第二层[]，其内最大单位块为：3, 6, 6, 2 和 4, 7, 11, 2 和 5, 9, 1, 3
第二步：单位块是数值，直接进行计算，即：argmax([3，6，6，2])、argmax([4，7，11，2])、argmax([5，9，1，3])，得到3个最大值索引值：1、2、1，得到索引数组：[1 2 1]
三维数组
axis=0
>>> arr = np.array([[[1, 5, 5, 2], [9, -6, 2, 8], [-3, 7, -9, 1]], [[-1, 7, -5, 2], [9, 6, 2, 8], [3, 7, 9, 1]], [[21, 6, -5, 2], [9, 36, 2, 8], [2, 7, 66, 1]]])
>>> arr
array([[[ 1, 5, 5, 2],[ 9, -6, 2, 8],[-3, 7, -9, 1]],[[-1, 7, -5, 2],[ 9, 6, 2, 8],[ 3, 7, 9, 1]],[[21, 6, -5, 2],[ 9, 36, 2, 8],[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=0))
[[2 1 0 0][0 2 0 0][1 0 2 0]]
第一步：axis=0对应最外层[]，其内最大单位块为：
和和
第二步：单位块是数组，三者对应下标元素进行计算，如图：
即：argmax([1，-1，21)、argmax([5，7，6])、argmax([5，-5，-5])、argmax([2，2，2])、argmax([9，9，9])、argmax([-6，6，36])…以此类推，得到索引值数组：
axis=1
>>> arr
array([[[ 1, 5, 5, 2],[ 9, -6, 2, 8],[-3, 7, -9, 1]],[[-1, 7, -5, 2],[ 9, 6, 2, 8],[ 3, 7, 9, 1]],[[21, 6, -5, 2],[ 9, 36, 2, 8],[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=1))
[[1 2 0 1][1 0 2 1][0 1 2 1]]
第一步：axis=1对应第二层[]，其内最大单位块为：
第一个[]内最大单位块：
第二个[]内最大单位块：
第三个[]内最大单位块：
第二步：各[]内单位块是数组且都为三块，三者对应下标元素进行计算，即：
第一个[]内，三块对应下标，如图：
计算：argmax([1，9，-3)、argmax([5，-6，7])、argmax([5，2，-9])、argmax(2，8，1)
以此类推：第二个[]、第三个[]，得到索引值数组：
axis=2
>>> arr
array([[[ 1, 5, 5, 2],[ 9, -6, 2, 8],[-3, 7, -9, 1]],[[-1, 7, -5, 2],[ 9, 6, 2, 8],[ 3, 7, 9, 1]],[[21, 6, -5, 2],[ 9, 36, 2, 8],[ 2, 7, 66, 1]]])
>>> print(np.argmax(arr, axis=2))
[[1 0 1][1 0 2][0 1 2]]
第一步：axis=2对应第三层[]，其内最大单位块为：
1，5，5，2
9，-6，2，8
-3，7，-9，1
-1，7，-5，2
9，6，2，8
3，7，9，1
21，6，-5，2
9，36，2，8
2，7，66，1
第二步：单位块是数值，直接进行计算，即：
argmax([1，5，5，2])
argmax([9，-6，2，8])
argmax([-3，7，-9，1])
argmax([-1，7，-5，2])
…
以此类推，得到索引数组：
axis=-1
>>> print(np.argmax(arr, axis=-1))
[[1 0 1][1 0 2][0 1 2]]
axis=-1，表示在当前数组最后一维度操作，三维数组中axis=0/1/2，那么axis=-1即等价于axis=2，所以其结果与axis=2相同！
参考
- Python之NumPy（axis=0/1/2…）的透彻理解——通过np.sum(axis=?)实例进行说明
- np.argmax()
- 对于矩阵操作中axis的理解，以及axis=-1的解释
- [Python]axis =0/1/-1
- python中的数组和列表
- Python元组、数组、列表的区别
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)]相关推荐
- python求向量函数的雅可比矩阵_在python Numpy中求向量和矩阵的范数实例
np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=np.linalg.norm(x, ord=None, ...
- python 矩阵元素赋值_对numpy中数组元素的统一赋值实例
Numpy中的数组整体处理赋值操作一直让我有点迷糊,很多时候理解的不深入.今天单独列写相关的知识点,进行总结一下. 先看两个代码片小例子: 例子1: In [2]: arr =np.empty((8, ...
- python数组元素赋值_对numpy中数组元素的统一赋值实例
下面小编就为大家分享一篇对numpy中数组元素的统一赋值实例,具有很好的参考价值,希望对大家有所帮助.一起跟随小编过来看看吧 Numpy中的数组整体处理赋值操作一直让我有点迷糊,很多时候理解的不深入. ...
- python建立复数数组_深入理解NumPy简明教程---数组1
目前我的工作是将NumPy引入到Pyston中(一款Dropbox实现的Python编译器/解释器).在工作过程中,我深入接触了NumPy源码,了解其实现并提交了PR修复NumPy的bug.在与Num ...
- python科学计算笔记（一）NumPy中ndarray对象、ufunc运算、矩阵运算
标准安装的Python中用列表(list)保存一组值,可以用来当作数组使用,不过由于列表的元素可以是任何对象,因此列表中所保存的是对象的指针.这样为了保存一个简单的[1,2,3],需要有3个指针和三个 ...
- 彻底理解numpy中的axis
时下流行人工智能,python成为人工智能最好的处理语言,这与python中的科学计算模块numpy是分不开的.numpy相信大都数人都知道.而在numpy中,有很多的函数都涉及到axis,numpy ...
- 一文带你深入理解Redis中的底层数据结构，再也不怕不懂数据类型的底层了
数据结构前言 都说Redis快,因为什么呢?只是因为它是内存数据库,所有操作都是基于内存进行的吗?其实不然,这与它的数据结构也是密不可分的.下面我们就来了解一下Redis的数据结构. Redis 数据 ...
- python定义一个空数组_在NumPy中如何创建一个空的数组/矩阵？
如何以我通常使用列表(List)的方式使用Numpy数组或矩阵? 我想创建一个空的数组(或矩阵),然后每次添加一列(或行)到这个数组(或矩阵). 目前能想到的方法是: mat = None for c ...
- python判断密码是否正确三次机会_python密码错误三次锁定(实例讲解)
程序需求: 输入用户名,密码 认证成功显示欢迎信息 输入错误三次后锁定用户 流程图: 好像画的不咋地 查看代码: #!/usr/bin/env python # _*_ coding:utf-8 _* ...
最新文章
- Android studio断开svn连接
- 【Socket网络编程】15. 发送端和接收端数据大小不一致时 的分析
- leader选举的源码分析-startLeaderElection
- 找不见matlab保存的txt,为什么自己保存的M文件在电脑里找不见,看不见而matlab里却能打开也能看到?...
- 六年打磨！阿里开源混沌工程工具 ChaosBlade
- linux apache certbot,从操作系统软件包安装Certbot
- ArrayList实现线程的几种方法
- ORACLE中BFILE字段的使用研究
- mybaitis快速生成_使用MyBatis插件生成代码
- c语言试题1答案,c语言试题1有答案
- 苗木损耗1.1用计算机怎么算,04园林绿化定额说明
- 【PP那些事儿】生产模式-面向订单生产
- AD19 双层板导出Gerber文件
- Dextran-PEG2000-Conjugate，葡聚糖聚乙二醇Conjugate，葡聚糖聚乙二醇，属于葡聚糖缀合物
- 【Steam VR 2.0】3. Skeleton Poser 自定义抓取手势的使用
- 用random的randint方法写一个猜字小游戏
- 安笙机器人_【D~小说】《安妻》 BY 李晓雾 （机甲，穿越）
- 动量策略——yyds
- 图解机器学习算法(13) | 聚类算法详解（机器学习通关指南·完结）
- JAVA打印EXCEL的巨坑（用jacob）