深入理解Numpy中sum求和的axis参数

Posted 算法与编程之美

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深入理解Numpy中sum求和的axis参数相关的知识,希望对你有一定的参考价值。

问题

Numpy是最常见的多维向量处理的工具库,求和则是多维向量的常见操作,然而sum求和方法的axis参数的理解对于多数人而言,特别容易混淆和出错,尤其对于初学者更是困难重重。

关于axis参数的理解,互联网上已经有大量相关介绍其用法的文章,然而这些文章多数描述较为混乱,或是简单的复制官方文档的定义,或是肤浅的理解,对于读者而言,看了比不看更难受,更加难以理解。

针对上述问题,本文提出一种新颖的理解axis参数的方法,可以帮助读者更好的掌握多维向量求和的方法。

方法

首先,需要了解axis参数表示针对哪一个维度进行压缩,例如设有一尺寸为(2,3,4)的多维向量,现要求对axis=0进行压缩,那么将会得到(3,4)尺寸的向量;若对axis=1进行压缩,则得到(2,4)尺寸;若对axis=2进行压缩则得到(2,3)尺寸。由此可见,axis指定了压缩的维度。

其次,需要了解待压缩的维度有几个元素,而元素的个数就是原始尺寸中待压缩的数字,如(2,3,4)的多维向量,需要对axis=1进行压缩,则意味着三个同等尺寸的元素需要合并为一个;

下面分别以二维和三维向量为例讲解axis参数的具体用法。

二维向量示例

首先来看代码如下:


import numpy as np

a = np.array([
    [0, 1],
    [1, 2],
    [2, 3],
])
print(a) # [3,2]

print(np.sum(a, axis=0)) # [3 6]
print(np.sum(a, axis=1)) # [1 3 5]

针对axis=0进行压缩,而0维有3个元素,现需要将3个元素压缩成1个元素,即[3,6];
同理,针对axis=1进行压缩,而1维有2个元素,压缩后就成为[1,3,5]

三维向量示例

import numpy as np


a = np.random.randint(0, 2, size=(2,3,4))
print(a)
print('-'*10)

# 0维有两个(3,4)的Array,将其压缩成一个
print(np.sum(a, axis=0))

# 1维有三个,将其压缩成一个
print(np.sum(a, axis=1))

# 2维有四个元素,将其压缩成一个
print(np.sum(a, axis=2))


结语

以上是关于深入理解Numpy中sum求和的axis参数的主要内容,如果未能解决你的问题,请参考以下文章

numpy和pandas axis的差异

Tensorflow - tf常用函数使用(持续更新中)

对numpy axis(轴)的理解

python之np.sum()用法详解

python之np.sum()用法详解

numpy 常用函数