在我們使用Python中的Numpy和Pandas進(jìn)行數(shù)據(jù)分析的時候，經(jīng)常會遇到一個讓人感到頭痛的參數(shù)——axis，本文讓我們換一個角度來重新認(rèn)識一下axis。

一、axis簡介

通常情況下我們都會賦予axis參數(shù)“軸”的概念，對于常見的二維數(shù)據(jù)來說，我們有如下的表示形式：

對于這種常見的結(jié)構(gòu)來說，看上去很清晰，但是涉及到實際操作的時候就會變的難以理解，下面讓我們用色橫貨中的例子來學(xué)習(xí)一下。

二、不一樣的axis

對于axis=0

當(dāng)axis=0的時候，我們可以將數(shù)據(jù)和軸組成的整體看作是一串豎著擺放的糖葫蘆（棍垂直于水平面）示例如下圖所示：

此時圖中的[1,2,3]、[4,5,6]可以分別看作是糖葫蘆的兩個果子，而紅色的軸則表示穿著果子的棍（axis=0），對于此時的狀態(tài)，每個果子是一個整體，當(dāng)進(jìn)行sum()加和操作時，我們需要將兩個果子對應(yīng)位置的數(shù)據(jù)進(jìn)行相加而不是將每個果子進(jìn)行加和，最終可以得到結(jié)果[5,7,9]

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
np.sum(a, axis=0)

# 結(jié)果
# array([5, 7, 9])

當(dāng)進(jìn)行元素添加操作的時候，我們所做的事情就是在原有的糖葫蘆基礎(chǔ)上添加一個果子，果子的結(jié)構(gòu)也要像前兩個果子的結(jié)構(gòu)一樣，示例圖如下所示：

此時操作的示例代碼如下所示：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
np.append(a, [[7, 8, 9]], axis=0)

# 結(jié)果
# array([[1, 2, 3],
#        [4, 5, 6],
#        [7, 8, 9]])

對于帶有參數(shù)axis=0刪除等操作也同添加的思想一樣，只要我們將其想象成在操作糖葫蘆的果子即可。

三、總結(jié)

當(dāng)axis=1的時候不難想到，我們要做的操作就是在一根水平擺放的糖葫蘆上進(jìn)行，所有操作的基本原理都和axis=0時相同。

補充：python中某些函數(shù)axis參數(shù)的理解

總結(jié)為一句話：設(shè)axis=i，則numpy沿著第i個下標(biāo)變化的方向進(jìn)行操作。

當(dāng)然，這個i是從0開始數(shù)的，作為程序員的你一定不會搞錯。

axis意為“軸”，它指定了函數(shù)在張量（矩陣、等等）上進(jìn)行操作的方向。
例如有一個ndarray，名叫A，A.shape=(3,8,5,7)。
那么np.sum(A, axis=2)計算的結(jié)果的shape就是(3,8,7)。
假設(shè)這個shape是(3,8,7)的ndarray變量名為B，那么實際上：

B[i][j][k]=A[i][j][0][k]+A[i][j][1][k]+A[i][j][2][k]+A[i][j][3][k]+A[i][j][4][k]

以下代碼你可以自己跑一下試試：

import numpy as np

A=np.random.randn(3,8,5,7)
print("A.shape=",A.shape)

B=np.sum(A,axis=2)
print("B.shape=",B.shape)

預(yù)期輸出為：

A.shape= (3, 8, 5, 7)
B.shape= (3, 8, 7)

到此這篇關(guān)于Python中的axis參數(shù)的具體使用的文章就介紹到這了,更多相關(guān)Python axis參數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論