axis在Python的numpy库中是一个基本概念，出现的非常多，特别是在函数调用、合并数据等操作的时候，本文对axis的作用和规律做一下梳理，加深对Python中的numpy库的axis理解。
axis的作用
在numpy中，有很多的函数都涉及到axis，很多函数根据axis的取值不同，得到的结果也完全不同。可以说，axis让numpy的多维数组变的更加灵活，但也让numpy变得越发难以理解。这里通过详细的例子来学习下，axis到底是什么，它在numpy中的作用到底如何。
为什么会有axis这个东西，原因很简单：numpy是针对矩阵或者多为数组进行运算的，而在多维数组中，对数据的操作有太多的可能，特别是数组有多个维度，对于不同维度的操作会有不同的结果，我们先来看一个例子。比如我们有一个二维数组：
代码语言：txt复制import numpy as np
>>> data = np.array([
... [1,2,1],
... [0,3,1],
... [2,1,4],
... [1,3,1]])这个数组代表了样本数据的特征，其中每一行代表一个样本的三个特征，每一列是不同样本的特征。
如果在分析样本的过程中需要对每个样本的三个特征求和，该如何处理？简单：
代码语言：txt复制np.sum(data, axis=1)
array([4, 4, 7, 5])那如果想求每种特征的最小值，该如何处理？也简单：
代码语言：txt复制np.min(data, axis=0)
array([0, 1, 1])又如果想得知所有样本所有特征的平均值呢？还是很简单：
代码语言：txt复制np.average(data)
1.6666666666666667由此可以看出，通过不同的axis，numpy会沿着不同的方向进行操作：
- 如果不设置，那么对所有的元素操作
- 如果axis=0，则沿着纵轴进行操作
- 如果axis=1，则沿着横轴进行操作
但这只是简单的二位数组，如果是多维的呢？可以总结为一句话：设axis=i，则numpy沿着第i个下标变化的放下进行操作。这是非常重要的，理解了这个也就理解了axis的作用：表示数组的维度。那么在函数中引入axis也就是表示，对axis所在的维度的数据进行处理。
下面我们举一个四维的求sum的例子来验证一下：
代码语言：txt复制data = np.random.randint(0, 5, [4,3,2,3])
>>> data
array([[[[4, 1, 0],
[4, 3, 0]],
[[1, 2, 4],
[2, 2, 3]],
[[4, 3, 3],
[4, 2, 3]]],
[[[4, 0, 1],
[1, 1, 1]],
[[0, 1, 0],
[0, 4, 1]],
[[1, 3, 0],
[0, 3, 0]]],
[[[3, 3, 4],
[0, 1, 0]],
[[1, 2, 3],
[4, 0, 4]],
[[1, 4, 1],
[1, 3, 2]]],
[[[0, 1, 1],
[2, 4, 3]],
[[4, 1, 4],
[1, 4, 1]],
[[0, 1, 0],
[2, 4, 3]]]])当axis=0时，numpy验证第0维的方向来求和，也就是第一个元素值=a0000 a1000 a2000 a3000=11,第二个元素=a0001 a1001 a2001 a3001=5，同理可得最后的结果如下：
代码语言：txt复制data.sum(axis=0)
array([[[11, 5, 6],
[ 7, 9, 4]],
[[ 6, 6, 11],
[ 7, 10, 9]],
[[ 6, 11, 4],
[ 7, 12, 8]]])当axis=3时，numpy验证第3维的方向来求和，也就是第一个元素值=a0000 a0001 a0002=5,第二个元素=a0010 a0011 a0012=7，同理可得最后的结果如下：
代码语言：txt复制data.sum(axis=3)
array([[[ 5, 7],
[ 7, 7],
[10, 9]],
[[ 5, 3],
[ 1, 5],
[ 4, 3]],
[[10, 1],
[ 6, 8],
[ 6, 6]],
[[ 2, 9],
[ 9, 6],
[ 1, 9]]])axis相关函数举例
在numpy中，使用的axis的地方非常多，处理上文已经提到的average、max、min、sum，比较常见的还有sort和prod，下面分别举几个例子看一下：
sort
代码语言：txt复制data = np.random.randint(0, 5, [3,2,3])
>>> data
array([[[4, 2, 0],
[0, 0, 4]],
[[2, 1, 1],
[1, 0, 2]],
[[3, 0, 4],
[0, 1, 3]]])
>>> np.sort(data) ## 默认对最大的axis进行排序，这里即是axis=2
array([[[0, 2, 4],
[0, 0, 4]],
[[1, 1, 2],
[0, 1, 2]],
[[0, 3, 4],
[0, 1, 3]]])
>>> np.sort(data, axis=0) # 沿着第0维进行排序，原先的a000->a100->a200转变为a100->a200->a000
array([[[2, 0, 0],
[0, 0, 2]],
[[3, 1, 1],
[0, 0, 3]],
[[4, 2, 4],
[1, 1, 4]]])
>>> np.sort(data, axis=1) # 沿着第1维进行排序
array([[[0, 0, 0],
[4, 2, 4]],
[[1, 0, 1],
[2, 1, 2]],
[[0, 0, 3],
[3, 1, 4]]])
>>> np.sort(data, axis=2) # 沿着第2维进行排序
array([[[0, 2, 4],
[0, 0, 4]],
[[1, 1, 2],
[0, 1, 2]],
[[0, 3, 4],
[0, 1, 3]]])
>>> np.sort(data, axis=None) # 对全部数据进行排序
array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 3, 3, 4, 4, 4])prod(即product，乘积)
代码语言：txt复制np.prod([[1.,2.],[3.,4.]])
24.0
>>> np.prod([[1.,2.],[3.,4.]], axis=1)
array([ 2., 12.])
>>> np.prod([[1.,2.],[3.,4.]], axis=0)
array([ 3., 8.])我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！
