numpy中的axis个人深度理解，与手动计算。看一遍应该就通了

axis这个参数表达的意思是某个维度。axis = 0 代表第一个维度，axis = 1 代表第二个维度

比如:下面这个三维数组

>>> X1 = np.random.randint(2,20,[2,3,4])
>>> X1
array([[[11, 10,  8,  5],
        [13,  7,  9, 15],
        [ 2, 13,  3,  9]],

       [[ 7, 10,  7, 19],
        [15, 15, 12,  6],
        [ 6, 12,  6, 13]]])

我们查看一下他的维度

>>> X1.ndim
3

然后我们用求和X1.sum(axis = 0)来做一个示范，上面说了axis的意思是第一个维度，那.sum(axis = 0)这句话可以理解为在第一个维度上求和，相当于压缩第一个维度。我们来看求和之后的结果和它的维度。

>>> X1.sum(axis = 0)
array([[18, 20, 15, 24],
       [28, 22, 21, 21],
       [ 8, 25,  9, 22]])
>>> X1.sum(axis = 0).ndim
2
>>> X1.sum(axis = 0).shape
(3, 4)
>>>

我们可以看到，求和之后。原先的(2,3,4)的结构，变成了(3,4)。第一个维度被压缩了。

以此类推，X1.sum(axis = 1)这句代码，它所产生的结果应该是(2,4)结构的，类似于如下的样子

array([[x, x, x, x],
       [x, x, x, x]])

根据结果的样子，我们很明显可以发现，只要把上面X1的3行压缩就可以达成

array([[[11, 10, 8, 5],
[13, 7, 9, 15],
[ 2, 13, 3, 9]],红色的矩阵，竖着相加

[[ 7, 10, 7, 19],
[15, 15, 12, 6],
[ 6, 12, 6, 13]]])黄色的矩阵，竖着相加

结果就是

array([[26, 30, 20, 29],
[28, 37, 25, 38]])

尝试感受一下。理解之后你会感觉非常简单。下面来一个四维数组例子,代码有点长，还没理解的可以看看，感受一下

X1 = np.random.randint(2,20,[2,3,4,3])
>>> X1
array([[[[ 3, 19, 16],
         [18, 14, 15],
         [ 2, 13, 13],
         [13, 19,  9]],

        [[16, 17, 17],
         [ 7,  3, 15],
         [17,  8, 15],
         [ 9, 14, 11]],

        [[ 2, 17,  3],
         [ 8,  6, 10],
         [15, 10, 19],
         [ 2,  5, 18]]],


       [[[16,  7,  6],
         [ 8, 13, 18],
         [18, 14, 19],
         [ 3, 14,  3]],

        [[14, 13,  6],
         [ 8, 15,  5],
         [13,  4,  9],
         [ 7,  4, 15]],

        [[ 5, 18, 12],
         [12, 10, 19],
         [ 7,  8, 10],
         [13, 19, 13]]]])

如果我们要对这个（2，3，4，3）结构的数组，进行X1.sum(axis = 0)的运算，得到的运算结果的shape就是(3,4,3)。所以最后的结果应该长这个样子:

array([[[x, x, x],
        [x, x, x],
        [x, x, x],
        [x, x, x]],

       [[x, x, x],
        [x, x, x],
        [x, x, x],
        [x, x, x]],

       [[x, x, x],
        [x, x, x],
        [x, x, x],
        [x, x, x]]])

观察一下原先X1的样子，和应该得到的结果的样子，不难想象要如何计算。

array([[[[ 3, 19, 16],
[18, 14, 15],
[ 2, 13, 13],
[13, 19, 9]],

[[16, 17, 17],
[ 7, 3, 15],
[17, 8, 15],
[ 9, 14, 11]],

[[ 2, 17, 3],
[ 8, 6, 10],
[15, 10, 19],
[ 2, 5, 18]]],

[[[16, 7, 6],
[ 8, 13, 18],
[18, 14, 19],
[ 3, 14, 3]],

[[14, 13, 6],
[ 8, 15, 5],
[13, 4, 9],
[ 7, 4, 15]],

[[ 5, 18, 12],
[12, 10, 19],
[ 7, 8, 10],
[13, 19, 13]]]])

相同颜色的矩阵相加

最后得到的结果就是

array([[[19, 26, 22],
        [26, 27, 33],
        [20, 27, 32],
        [16, 33, 12]],

       [[30, 30, 23],
        [15, 18, 20],
        [30, 12, 24],
        [16, 18, 26]],

       [[ 7, 35, 15],
        [20, 16, 29],
        [22, 18, 29],
        [15, 24, 31]]])

讲到这里，大家应该差不多明白了吧，我就是这样一步步理解的。

原理方面，大家可以看一下这篇文章Python中np.sum()对axis的个人理解，超详细，里面的数学公式，可以帮助更好的理解。

numpy中的axis个人深度理解，与手动计算。看一遍应该就通了

猜你喜欢