https://blog.csdn.net/sky_kkk/article/details/79725646

 

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

123

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])

123

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]])

123

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

123

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])

123

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]])

123

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！