python資料分析裡axis 0 1 行列定義為什麼每次都不同？

1樓：蠡測

以前看到這個問題的時候自己也不太懂，二維還能勉強理解，碰到高維的np陣列就完全是靠試了..

直觀記憶來說，我的辦法就是axis=n 就表示沿著shape裡第n維執行某個操作

ps: 這也適用於tensorflow的axis，不過tf的某些操作和np是不同的例如tf的concatenate只能接受list包裹的tensor，而np的concatenate可以接受乙個ndarray作為入參

從實現邏輯上看，其實這個axis=k，就是對資料的第k維用「冒號」索引，同時遍歷其他維度，由此得到一堆陣列，每個陣列都進行目標操作

例如, np.mean( arr, axis=0 ) == [np.mean(arr[:

, i])for i inrange( arr.shape[1] )]

numpy的例子我做了個實驗如下

二維效果

三維效果

pandas裡dataframe的axis其實和numpy的ndarray是一樣的，例子借用 @風水龍眼的圖

同時他提到的」0軸涉及上下運算和1軸涉及左右運算「也是個非常好的記憶方式

2樓：舒緩的節奏

強烈推薦下面這篇博文，看了其它幾篇博文都沒看懂，看了這篇博文後，終於理解了axis引數。

下面這篇博文解釋得非常簡潔，將axis的值對應於陣列的層，並且以每層的陣列為單位解釋sum()函式的處理過程。很多博文都是以單個元素為單位，解釋為元素下標的變化方向，我感覺不是太好理解，而以每層的陣列為單位進行解釋則比較好理解。

Python之NumPy（axis=0/1/2...）的透徹理解——通過np.sum(axis=?)例項進行說明

3樓：Isco

首先請看一下官方幫助的解釋：

軸用來為超過一維的陣列定義的屬性，二維資料擁有兩個軸：第0軸沿著行的垂直往下，第1軸沿著列的方向水平延伸。

注意看，官方對於0和1的解釋是軸，也就是座標軸。而座標軸是有方向的，所以千萬不要用行和列的思維去想axis，因為行和列是沒有方向的，這樣想會在遇到不同的例子時感到困惑。

根據官方的說法，1表示橫軸，方向從左到右；0表示縱軸，方向從上到下。當axis=1時，陣列的變化是橫向的，而體現出來的是列的增加或者減少。我們拿圖形舉個例子：

我們有乙個正方形，假設是4x4的

接下來我們讓他橫向增加乙個單位，也就是長度+1，變成了乙個5x4的長方形

也就是說，對於這個4x4的正方形而言，當axis=1時，體現的是橫向的長度+1，而如果這是乙個4行4列的二維陣列同樣也是如此，但是體現出來是增加了一列。

所以其實axis的重點在於方向，而不是行和列。具體到各種用法而言也是如此。當axis=1時，如果是求平均，那麼是從左到右橫向求平均；如果是拼接，那麼也是左右橫向拼接；如果是drop，那麼也是橫向發生變化，體現為列的減少。

當考慮了方向，即axis=1為橫向，axis=0為縱向，而不是行和列，那麼所有的例子就都統一了。題主的疑問也就迎刃而解。

4樓：重心第一

我也有同樣的困惑，好凌亂。tf裡面的函式例如tf.nn.

softmax, tf.argmax中，axis=1表示按行處理。所以我拿小本本記下來各種函式的axis的定義。。。

隨時翻本子。。。

5樓：風水龍眼

剛好有同樣的疑惑，然後查閱了一些資料，包括呦呦鹿鳴提到的文章：Python Pandas與Numpy中axis引數的二義性

首先，我覺得這不是你的智商問題，也不是我的智商問題（笑），只是和作者的思路是否一致的問題。那麼我們試著去理解下作者的思路。

Pandas保持了Numpy對關鍵字axis的用法，用法在Numpy庫的詞彙表當中有過解釋：

軸用來為超過一維的陣列定義的屬性，二維資料擁有兩個軸：第0軸沿著行的垂直往下，第1軸沿著列的方向水平延伸。

如果簡單點來說，就是0軸匹配的是index，涉及上下運算；1軸匹配的是columns, 涉及左右運算。

給你舉個栗子：

應該懂了吧？

一起加油哦！