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中的轴axis是很重要的，许多numpy的操作根据axis的取值不同，作出的操作也不相同。可以说，axis让numpy的多维数组变的更加灵活，但也让numpy变得越发难以理解。因此，弄清楚axis的作用显得尤为重要。

• 为什么要设计axis这个东西呢？

numpy是个多维数组，多维数组运算需要指定到底对哪一维操作，因此axis就是用来指定需要操作的维数。 

•  简单示例

先来看看一个二维数组

>>> import numpy as np  
>>> np_data = np.array([[1,2,3],[4,5,6],[1,3,5],[2,4,6]])
>>> np_data
array([[1, 2, 3],                                                                                                                          
       [4, 5, 6],                                                                                                              
       [1, 3, 5],                                                                                                              
       [2, 4, 6]])

假设 这个数组代表了样本数据的特征，其中每一行代表一个样本的三个特征，每一列是不同样本的特征。如果在分析样本的过程中需要对每个样本的三个特征求和，该如何处理？

>>> np.sum(np_data,axis=1)
array([ 6, 15,  9, 12])

那如果想求每种特征的最小值，该如何处理？

>>> np.min(np_data, axis=0)
array([1, 2, 3])

又如果想得知所有样本所有特征的平均值呢？

>>> np.average(np_data)
3.5

• 重点

由此可以看出：（划重点）通过不同的axis，numpy会沿着不同的方向进行操作：如果不设置，那么对所有的元素操作；如果axis=0，则沿着纵轴进行操作；axis=1，则沿着横轴进行操作。但这只是简单的二位数组，如果是多维的呢？可以总结为一句话：设axis=i，则numpy沿着第i个下标变化的方向进行操作。例如刚刚的例子，可以将表示为：

data =[[a00, a01],
       [a10, a11]]

所以axis=0时，沿着第0个下标变化的方向进行操作，也就是a00->a10, a01->a11，也就是纵坐标的方向，axis=1时也类似。

• 多维数组验证

下面我们举一个四维的求sum的例子来验证一下：

>>> np_data = np.random.randint(0, 6, [4,2,3,4])
>>> np_data
array([[[[3, 5, 5, 0],                                                                                                               
         [0, 1, 2, 4],