NumPy中axis维度的直观理解与多维操作指南

NumPy中axis维度的直观理解与多维操作指南

深入解析NumPy中的axis维度

在NumPy库中，维度（Axis）是一个核心概念，许多函数的参数都依赖于它。为了直观理解这一概念，我们先从二维数组入手，再将其逻辑推广至更复杂的多维数组场景。

注：部分资料将ndim属性称为维度，而将axis称为轴。此处沿用习惯，将axis直接称为维度，其中axis=0对应第一个维度。

二维数组示例分析

二维数组示例分析

以下展示一个具体的二维数组案例：

In [1]: import numpy as np

In [2]: x = np.random.randint(0, 9, (2, 3))

In [3]: x
Out[3]:
array([[0, 8, 6],
    [1, 2, 1]])

In [4]: x.ndim
Out[4]: 2

In [5]: x.shape
Out[5]: (2, 3)

In [6]: x[0]
Out[6]: array([0, 8, 6])

In [7]: x[:, 0]
Out[7]: array([0, 1])

In [8]: x.sum(axis=0)
Out[8]: array([ 1, 10, 7])

In [9]: x.sum(axis=1)
Out[9]: array([14, 4])

In [10]: x[0] + x[1]
Out[10]: array([ 1, 10, 7])

In [11]: x[:, 0] + x[:, 1] + x[:, 2]
Out[11]: array([14, 4])

观察上述代码输出，变量x包含2行3列数据，因此x被定义为一个二维数组。

结合代码第6和第7行的输出结果，可以明确得出结论：对于二维数组，第一维（axis=0）代表行方向，第二维（axis=1）代表列方向。

接下来，通过sum求和函数进一步探究x的第一维和第二维的具体含义。参考第8行和第9行的输出，当参数设置为axis=0时，计算结果是各列元素的总和；而当参数设置为axis=1时，计算结果则是各行元素的总和。

需要澄清的是，对axis=0（第一维）求和，并非简单地将第一维内的所有元素相加，而是沿着第一维的方向，将对应其他维度（即列）上的数据进行聚合。具体而言，如第10行输出所示，这等同于将第0行与第1行的对应元素相加。同理，对axis=1求和则是沿着列方向，将同一行内的所有元素相加。

NumPy中绝大多数维度相关的操作，均遵循上述类似的逻辑机制。

多维数组的维度区分

多维数组的维度区分

面对多维数组，如何准确区分各个维度？以下通过图示方式进行说明：

基于上述图示，核心结论如下：在概念上，维度是从整体到局部进行划分的。最外层结构构成第一个维度，随后依次向内深入，最内部的结构即为最后一维。

下面通过代码验证上述结论的正确性：

In [19]: x = np.random.randint(0, 9, (2, 3, 4))

In [20]: x
Out[20]:
array([[[0, 7, 5, 5],
    [6, 3, 1, 3],
    [7, 5, 3, 4]],

    [[8, 1, 4, 6],
    [8, 1, 4, 8],
    [3, 0, 8, 2]]])

In [21]: x[0]
Out[21]:
array([[0, 7, 5, 5],
    [6, 3, 1, 3],
    [7, 5, 3, 4]])

In [22]: x[:, 0, :]
Out[22]:
array([[0, 7, 5, 5],
    [8, 1, 4, 6]])

从第21行和第22行的输出可以看出，x[0]获取的是第一维的第一个元素（即第一个子数组），而x[:, 0, :]获取的是第二维的第一个元素。建议读者仔细体会这一索引逻辑。

以上就是本文关于NumPy axis维度的全部内容，希望能为读者提供参考，并欢迎大家继续支持本站获取更多技术分享。