Numpy 中的 axis

Numpy 中的 axis 对初学者而言是一个很是容易引发困扰的概念，本文但愿经过图文并茂的方式，让你们能对 axis 有一个直观的认识。

数形结合百般好

数缺形时少直观，形少数时难入微。
数形结合百般好，隔离分家万事休。
—— 华罗庚

axis 自己就是 轴 的意思，它实际上表明了要在哪一个轴上进行求和，因此使用 sum 函数时，必定要有一个空间上的概念，这样会很是容易理解计算的结果。

二维

因此当咱们说 [[0, 4, 2], [-2, 5, 3]]，咱们说的实际上是：

二维数组对应的就是一个二维表格，它一共有两个轴（axis），axis 0 对应行，axis 1 对应列。

当指定 axis 0 进行求和时，作的是这样的运算：

也就是顺着 axis 0 轴求和，最后获得一个一维数组：

>>> np.sum([[0, 4, 2], [-2, 5, 3]], axis=0)
array([-2,  9,  5])
复制代码

一样地，当指定 axis 1 时，是这样的：

即：

>>> np.sum([[0, 4, 2], [-2, 5, 3]], axis=1)
array([6, 6])
复制代码

三维

上升到三维空间又是怎样的呢？实际上道理仍是同样的，咱们建立一个三维数组：

>>> array_3d = [
...     [
...             [1, 2],
...             [3, 4]
...     ],
...     [
...             [5, 6],
...             [7, 8]
...     ],
...     [
...             [9, 10],
...             [11, 12]
...     ]
... ]
复制代码

而后脑海里立刻就有一个三维的空间了！

那对 axis 0 求和，其实就是顺着 axis 0 的方向求和，最后得出的是一个二维数组：

即：

>>> np.sum(array_3d, axis=0)
array([[15, 18],
       [21, 24]])
复制代码

对 axis 1、axis 2 也是同样的，这里以 axis 2 举例，你们能够尝试本身画 axis 1 的：

>>> np.sum(array_3d, axis=2)
array([[ 3,  7],
       [11, 15],
       [19, 23]])
复制代码

四维咋办

四维咋办，四维还真很差画，不过本文的目的是可以直观理解计算的结果，讲道理前面这些图应该足够理解求和了，因此我也不画了，哈哈哈

轴的肯定

固然，上面全部运算的前提，都是咱们正确肯定好了坐标轴的方向。关键问题在于，如何知道哪一个是 axis 0、哪一个是 axis 1？

实际上，轴的肯定能够根据嵌套关系来肯定，轴的顺序就是括号的从外到内：

不过用这种方式思考，就少了对形的理解，会稍微难以理解，能够参考 Python · numpy · axis。

参考

• THE PARAMETERS OF NUMPY SUM
• NUMPY AXES EXPLAINED
• docs.scipy.org/doc/numpy
• Python · numpy · axis