Numpy Axes/Axis 介绍

学习 Numpy 的时候， Axes 是一个不容易搞懂的东西， 本文就是相关的一篇学习笔记。（原文链接在参考资料中）

---

在 Numpy 中 Aexs 是沿着那个方向去看数据

例如在一个 2D array 中， 0，1 的方向分别如下

image.png

在不同的numpy 函数中要看清楚函数说明， 才能正确运用 axis

Aggregation

sum， mean， std 之类的函数， 会沿着 Axes "坍缩"， 这些函数会使得整个结构降维。

print(np_array_2d)

[[0 1 2]
 [3 4 5]]

np.sum(np_array_2d, axis = 0)

array([3, 5, 7])

上面这个例子中， sum 会沿着 axis 0 的方向，进行求和， 结束后，真个数据结构维度就会下降成1维。

image.png

Concatenate

Concatenate 是将2个数据结构进行 “堆叠”， 是 “坍缩”的逆过程。 axis 是指明了 “堆叠”的方向。

array([[1, 1, 1],
       [1, 1, 1]])
array([[9, 9, 9],
       [9, 9, 9]])

np.concatenate([np_array_1s, np_array_9s], axis = 0)

array([[1, 1, 1],
       [1, 1, 1],
       [9, 9, 9],
       [9, 9, 9]])

上面这个例子， 是将2个数据结构， 沿着 axis=0 的方向进行堆叠。

image.png

一维数组只有 axis =0

np.concatenate([np_array_1s_1dim, np_array_9s_1dim], axis = 1)

高维数组

对于高维数组很难有直观的想象 ，这里给个例子

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

x.sum(axis=0)
array([[ 6,  8],  
       [10, 12]])

x.sum(axis=1)
array([[ 4,  6],   
       [12, 14]])

x.sum(axis=2)
array([[ 3,  7],
       [11, 15]])

网上有图， 给出了三维数组中的 axis

image.png

规律

这个是我个人总结的规律， 没有经过验证：

不管数据是几维的， 其存储在内存中肯定是一维的。axis 值越高，其覆盖范围越小， axis 值越低，其覆盖范围越大。 可以理解成 axis0 是一级目录， axis 是一级目录中的二级目录， 依次类推， 用图形表达如下：

image.png

图中 axis 0 跨度是64 bytes， 而 axis 1 只是有32 byte； 每个 axis 0 包含了2个axis 1方向的子数据。

---

参考资料

[1] numpy axes explained
[2] Stack Overflow: axis in a multidimensional numpy-array