针对Numpy中axis的理解

针对numpy中经常看到axis这个参数。这里对axis这个参数的学习做个记录。

本文章以numpy.mean()函数为例

一、numpy.mean()不带任何参数的时候

不带任何参数的时候是对所有元素求平均。

例如

x = np.array([[[2,3,4],[4,5,6],[7,8,9],[10,11,12]],[[1,2,3],[3,4,5],[1,2,3],[3,4,5]]])
print(x.shape)
print(np.mean(x))

输出：(2, 4, 3)

4.875

二、numpy.mean()带axis参数的时候。

通常情况下，看到别人的文章都说axis=0 是对列操作，axis=1是对行操作。有时候很让人费解，因为如果是多维度的情况下该如何理解这个axis呢？

三、了解shape的几何意义和代数意义

假如数据显示如上图所示，

首先要理解shape的三个数字分别代表什么（2，4，3）

几何意义：但是第一个是2代表两个红色框，

第二个是4代表两个蓝色框，（行数）

第三个是3代表两个紫色框。  （列数）

代数意义：第一个2的确立是将原数据去掉最外层的中括号，然后逗号分隔的数量就可以确立shape中的第一个数字，

x = np.array([[[2,3,4],[4,5,6],[7,8,9],[10,11,12]],[[1,2,3],[3,4,5],[1,2,3],[3,4,5]]])

 

去掉最外面一个括号之后，逗号分割为红色两个部分。

因为ndarray是矩阵，所以红蓝两部分的shape完全相同。所以下一步确立第二个数字的时候我们只看红色部分

 

左边红色框内的去掉最外层中括号然后逗号分隔，分割为蓝色的4个部分，所以第二个数字确立为4

相同的原理，第二个数字将2，3，4分割为3个部分，所以shape的第三个数字是3

 四、axis=0的时候。

是针对红色框的相同位置进行做某种运算，例如常见的是求和，求最小值，求平均值。

axis=0的操作的结果的shape是（4,3）

axis=0 就是两个红色框对应位置的算术运算（求和，求最小值，求最大值，求平均数等等）

元数据的shape(2,4,3)  最前面的2消失了。(axis等于几，元数据的shape中第几个维度就消失)

五、axis=1的时候。

axis=0的时候非常好理解，也非常直观。

axis=1的时候。我们首先确定shape，结果的shape是(2,3)，即通常说的2行3列

2行的结果，肯定是从2个红色框分别得出的结果，

2，4，5，10经过某种运算得出第一行第一列的结果，

3，4，8，11得出第一行第二列的结果。

4，6，9，12得出第一行第三列的结果。

 

将axis与shape的顺序结合起来理解。还是很好理解的。

六、那么axis=3的时候。

我们知道结果的shape是(2,4)

那么你知道这个结果是怎么的出来的吗？