一个例子让你搞懂numpy中的axis

Numpy操作中axis的理解

axis就是数组不同维度的表示，对于不同的axis进行运算，实际上就是沿着

为什么会有axis这个概念？

因为在numpy模块中，大多数处理的是矩阵或者多维数组。为了帮助实现对数组和矩阵的各种功能，就有了axis。表示数组和矩阵的各个维度。注意矩阵总是二维的。

实例讲解——在axis上的操作

下面首先使用Numpy生成一个三维数组：

# 生成矩阵
>>> import numpy as np
>>> np.arange(16).reshape(2,4,2)
>>> print(a)
[[[ 0  1]
  [ 2  3]
  [ 4  5]
  [ 6  7]]

 [[ 8  9]
  [10 11]
  [12 13]
  [14 15]]]

使用np.shape()函数就可以获取数组各维度的尺寸，已知a是一个三维数组，如下所示2，4，2就可以视为数组a在0,1,2三个维度上的大小。

>>> print(np.shape(a))
(2, 4, 2)

下面我们看下直接使用sum对数组各维度求和的结果：

>>> a.sum(axis=0)
array([[ 8, 10],
       [12, 14],
       [16, 18],
       [20, 22]])
>>> a.sum(axis=1)
array([[12, 16],
       [44, 48]])
>>> a.sum(axis=2)
array([[ 1,  5,  9, 13],
       [17, 21, 25, 29]])

可以看出，在维度0上求和得到一个4*2的数组，在维度1上求和得到2*2的数组，在维度2上求和得到一个2*4的数组。可以发现，numpy对数组在不同的axis上进行运算，实际上是沿着该axis发生变化的方向进行操作的。

比如在axis = 0时，沿着维度0变化的方向进行运算，可以视为对维度(1, 2)进行切片，然后求和，求解过程如下所示：

>>> a[0,:,:]
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])
>>> a[1,:,:]
array([[ 8,  9],
       [10, 11],
       [12, 13],
       [14, 15]])
>>> a[0,:,:]+a[1,:,:]
array([[ 8, 10],
       [12, 14],
       [16, 18],
       [20, 22]])

在axis=1时，验证维度1变化的方向进行运算，可以视为对维度（0，2）进行切片，然后求和，求解过程如下所示：

>>> sum = np.zeros((2,2), dtype=np.int)
>>> print(sum)
[[0 0]
 [0 0]]
>>> for i in range(4):
...     print('第%d个切片如下所示' % (i))
...     print(a[:, i, :])
...     sum = sum + a[:, i, :]
...
第0个切片如下所示
[[0 1]
 [8 9]]
第1个切片如下所示
[[ 2  3]
 [10 11]]
第2个切片如下所示
[[ 4  5]
 [12 13]]
第3个切片如下所示
[[ 6  7]
 [14 15]]
>>> print(sum)
[[12 16]
 [44 48]]
>>> a.sum(axis=1)
array([[12, 16],
       [44, 48]])

同上面两个例子，大家也可以同样尝试下在第2个维度上的求和，以及其他求和、求均值以及求最大最小值。