【个人主页：玄同765】
大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）
深耕领域：大语言模型开发 / RAG知识库 / AI Agent落地 / 模型微调
技术栈：Python / LangChain/RAG（Dify+Redis+Milvus）| SQL/NumPy | FastAPI+Docker ️
工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案
专栏传送门：LLM大模型开发 项目实战指南、Python 从真零基础到纯文本 LLM 全栈实战、从零学 SQL + 大模型应用落地、大模型开发小白专属：从 0 入门 Linux&Shell
「让AI交互更智能，让技术落地更高效」
欢迎技术探讨/项目合作！ 关注我，解锁大模型与智能交互的无限可能！
在使用 NumPy 和 Pandas 进行数据分析时，axis 参数是一个高频出现但极易混淆的概念 —— 很多人会因误解 axis 的维度索引规则和方向含义，导致操作结果与预期不符。本文将结合底层数据结构和折叠 / 聚合逻辑，系统整理 axis 参数的使用方法和常见误区，并提供对比表格和实战示例，帮助读者彻底理解。
一、问题引入：一个真实场景的错误
假设你正在处理一份销售数据，需要计算每个产品的总销量：
import pandas as pd
# 生成模拟数据
data = pd.DataFrame({
'product_id': [101, 102, 101, 103, 102],
'quantity': [5, 3, 2, 1, 4],
'price': [10.5, 20.0, 10.5, 30.0, 20.0]
})
# 错误做法：使用axis=1计算产品总销量
total_sales = data.groupby('product_id')['quantity'].sum(axis=1)
# 打印结果，发现报错
错误原因：groupby后得到的是分组的 Series 对象（1 维），1 维数组的 axis 参数只能是 0，不能是 1。如果是未分组的 DataFrame 计算每行总销量，才会使用 axis=1。
二、NumPy 的 axis 维度索引与方向含义
NumPy 的核心数据结构是N 维数组（ndarray），它是网格状连续存储的同类型数据。axis 参数的编号和方向由数组的维度索引和形状决定。
2.1 ndarray 的维度索引规则
- NumPy 的维度索引从 0 开始，与数组
shape属性的顺序完全一致。 - 对于 N 维数组，
shape属性是一个长度为 N 的元组，shape[i]表示第 i 维的大小。 - 常见的维度索引与形状对应关系：
- 1 维数组：
shape=(n,)，第 0 维是唯一的维度，大小为 n - 2 维数组：
shape=(行数,列数)，第 0 维是行方向，大小为行数；第 1 维是列方向，大小为列数 - 3 维数组：
shape=(深度,行数,列数)，第 0 维是深度方向，大小为深度；第 1 维是行方向，大小为行数；第 2 维是列方向，大小为列数
- 1 维数组：
2.2 “沿着 axis 方向操作” 的底层逻辑
对 ndarray 进行操作时，“沿着 axis=i 方向” 的含义是将数组在第 i 维上的所有元素折叠 / 聚合为一个值，操作后数组的第 i 维会消失，其余维度大小不变。
2.3 NumPy 常见操作的 axis 含义表格
| 操作类型 | 1 维数组（shape=(n,)） | 2 维数组（shape=(m,n)）axis=0 | 2 维数组（shape=(m,n)）axis=1 | 3 维数组（shape=(d,m,n)）axis=0 | 3 维数组（shape=(d,m,n)）axis=1 | 3 维数组（shape=(d,m,n)）axis=2 |
|---|---|---|---|---|---|---|
| 求和 | sum (axis=0)→标量 | 每行同一列求和→shape=(n,) | 每列同一行求和→shape=(m,) | 每深度同一行同一列求和→shape=(m,n) | 每深度同一列同一行求和→shape=(d,n) | 每深度同一行同一列求和→shape=(d,m) |
| 求平均值 | mean (axis=0)→标量 | 每行同一列求平均值→shape=(n,) | 每列同一行求平均值→shape=(m,) | 每深度同一行同一列求平均值→shape=(m,n) | 每深度同一列同一行求平均值→shape=(d,n) | 每深度同一行同一列求平均值→shape=(d,m) |
| 求最大值 | max (axis=0)→标量 | 每行同一列求最大值→shape=(n,) | 每列同一行求最大值→shape=(m,) | 每深度同一行同一列求最大值→shape=(m,n) | 每深度同一列同一行求最大值→shape=(d,n) | 每深度同一行同一列求最大值→shape=(d,m) |
| 删除 | delete(axis=0,idx)→shape=(n-1,) | delete(axis=0,idx)→shape=(m-1,n) | delete(axis=1,idx)→shape=(m,n-1) | delete(axis=0,idx)→shape=(d-1,m,n) | delete(axis=1,idx)→shape=(d,m-1,n) | delete(axis=2,idx)→shape=(d,m,n-1) |
2.4 NumPy 实战示例
import numpy as np
# 2维数组示例
arr2 = np.array([
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
])
print(f"原数组shape：{arr2.shape}") # (3, 3)
# 沿着axis=0方向求和（每行同一列相加）
sum0 = arr2.sum(axis=0)
print(f"axis=0求和结果：{sum0}") # [12 15 18]
print(f"求和后shape：{sum0.shape}") # (3,)（第0维消失）
# 沿着axis=1方向求和（每列同一行相加）
sum1 = arr2.sum(axis=1)
print(f"axis=1求和结果：{sum1}") # [6 15 24]
print(f"求和后shape：{sum1.shape}") # (3,)（第1维消失）
三、Pandas 的 axis 维度索引与方向含义
Pandas 的核心数据结构是Series（1 维）和DataFrame（2 维），其中 DataFrame 内部由多个共享同一 index（行标签）的 Series（列）组成，本质上是基于 NumPy 的 ndarray 构建的。
3.1 Series 与 DataFrame 的结构对应
- Series：对应 NumPy 的 1 维 ndarray，`shape=(行数，)，axis 参数只能是 0。
- DataFrame：对应 NumPy 的 2 维 ndarray，`shape=(行数，列数)，内部存储结构是列优先的 Series 集合，axis=0 对应行方向，axis=1 对应列方向。
3.2 “沿着 axis 方向操作” 的底层逻辑
Pandas 的 axis 操作逻辑与 NumPy 基本一致，但表述上更贴合表格结构：
- 对于 DataFrame，“沿着 axis=0 方向操作” 表示对每列数据进行操作（行维度折叠），结果通常是一个 Series（列标签作为 index）。
- 对于 DataFrame，“沿着 axis=1 方向操作” 表示对每行数据进行操作（列维度折叠），结果通常是一个 Series（行标签作为 index）。
3.3 Pandas 常见操作的 axis 含义表格
| 操作类型 | Series（1 维） | DataFrame（2 维）axis=0 | DataFrame（2 维）axis=1 |
|---|---|---|---|
| 求和 | sum (axis=0)→标量 | 对每列数据求和→Series（列标签为 index） | 对每行数据求和→Series（行标签为 index） |
| 求平均值 | mean (axis=0)→标量 | 对每列数据求平均值→Series（列标签为 index） | 对每行数据求平均值→Series（行标签为 index） |
| 求最大值 | max (axis=0)→标量 | 对每列数据求最大值→Series（列标签为 index） | 对每行数据求最大值→Series（行标签为 index） |
| 删除 | drop(labels)→Series（shape=(n-1,)） | drop (labels, axis=0)→删除行→DataFrame（shape=(m-1,n)） | drop (labels, axis=1)→删除列→DataFrame（shape=(m,n-1)） |
| 重命名 | rename(index)→Series | rename (index, axis=0)→重命名行标签→DataFrame | rename (columns, axis=1)→重命名列标签→DataFrame |
| 排序 | sort_values(axis=0)→Series | sort_values (by, axis=0)→按列排序→DataFrame | sort_values (by, axis=1)→按行排序→DataFrame |
3.4 Pandas 实战示例
import pandas as pd
# DataFrame示例
data = pd.DataFrame({
'product_id': [101, 102, 101, 103, 102],
'quantity': [5, 3, 2, 1, 4],
'price': [10.5, 20.0, 10.5, 30.0, 20.0]
})
print(f"原DataFrame：\n{data}")
# 沿着axis=0方向求和（对每列数据求和）
sum0 = data.sum(axis=0)
print(f"axis=0求和结果：\n{sum0}")
# 沿着axis=1方向求和（对每行数据求和）
sum1 = data.sum(axis=1)
print(f"axis=1求和结果：\n{sum1}")
四、常见误区与避免方法
4.1 误区 1：混淆 axis=0 和 axis=1 的方向
很多人刚开始使用时会认为 “axis=0 是行，axis=1 是列”，这种表述过于简单且容易混淆。正确的理解方式是：
- 结合数组的
shape属性，axis 的编号与维度索引一致。 - 理解 “沿着 axis 方向操作” 的底层逻辑 —— 折叠 / 聚合该维度，降低一维。
4.2 误区 2：1 维数组使用 axis=1
Series 和 NumPy 的 1 维 ndarray 只有一个维度，axis 参数只能是 0，使用 axis=1 会报错。
4.3 误区 3：groupby 后使用错误的 axis
groupby后如果只选取了一个列，得到的是分组的 Series 对象（1 维），只能使用 axis=0；如果选取了多个列，得到的是分组的 DataFrame 对象（2 维），可以使用 axis=0 或 axis=1。
五、总结
NumPy 和 Pandas 中 axis 参数的维度索引和方向含义总结如下：
| 库名 | 维度索引规则 | 2 维数组 / DataFrame 的 axis 含义 |
|---|---|---|
| NumPy | 从 0 开始，与 shape 属性顺序一致 | axis=0 对应行方向（shape 第 0 维），axis=1 对应列方向（shape 第 1 维） |
| Pandas | 与 NumPy 一致 | axis=0 表示对每列数据进行操作（行维度折叠），axis=1 表示对每行数据进行操作（列维度折叠） |
记忆方法：
- 结合
shape属性，axis 的编号就是维度的索引。 - 对于 2 维数据，“axis=0 是 down（垂直方向，列操作），axis=1 是 across（水平方向，行操作）”。
在实际开发中，对不熟悉的操作，可以先进行小范围测试，观察操作结果的形状和内容，确认 axis 参数的正确性。
相关 思维导图 下载：
【免费】思维导图：Numpy知识整理.xmind资源-优快云下载
【免费】思维导图：Pandas核心知识体系.xmind资源-优快云下载
【免费】思维导图：Matplotlib数据可视化全攻略.xmind资源-优快云下载
扫一扫
4884
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
