Python 关于轴的Numpy索引逻辑

当我们有一个

numpy

数组，并且希望沿一个轴执行操作时，为什么

axis=1

相当于跨行工作，而

axis=0

相当于向下工作列

从下面的示例中可以看出，创建

numpy

数组需要通过kwarg

大小指定尺寸，如下所示：

np.random.randint: (low, high=None, size=None, dtype='l')

这是一个元组，例如（形式：
size=（行数、列数）

通过设置
轴=1
（我希望
轴=0
）来执行跨行的求和

这有什么好的理由吗？每次使用它都会让我感到困惑，直到我完全习惯了它。为什么（在我看来！）它与索引数组的标准方式相矛盾，就像代码中带有
shape
属性的示例一样

更新
这里还有一些（令人困惑的？）代码，显示了人们可能期望的
axis=0
适用于1d数组

>>> b
array([1, 2, 3, 2, 3, 4])

>>> np.sum(b, axis=0)
15

>>> np.sum(b, axis=1)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
    np.sum(b, axis=1)
  File "/usr/local/lib/python3.6/site-packages/numpy/core/fromnumeric.py", line 1814, in sum
    out=out, **kwargs)
  File "/usr/local/lib/python3.6/site-packages/numpy/core/_methods.py", line 32, in _sum
    return umr_sum(a, axis, dtype, out, keepdims)
ValueError: 'axis' entry is out of bounds

>b
数组（[1,2,3,2,3,4]）
>>>np.和（b，轴=0）
15
>>>np.和（b，轴=1）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
np.和（b，轴=1）
文件“/usr/local/lib/python3.6/site packages/numpy/core/fromneric.py”，第1814行，总计
out=out，**kwargs）
文件“/usr/local/lib/python3.6/site packages/numpy/core/_methods.py”，第32行，共
返回umr_和（a、轴、数据类型、输出、保留）
ValueError:“轴”项超出范围

我认为这是默认值，因为一维数组只能在一个方向上求和。
感谢您在评论中的输入。我认为斯蒂芬关于表现的回答是正确的。Is在numpy中产生了这种小怪癖，这种怪癖已成为常态。
数组索引是
numpy中常见的混淆源。这篇文章对这个话题进行了精彩的讨论

困惑的根源：

首先要了解的是
索引二维数组有两个相互冲突的约定。
矩阵表示法使用第一个索引指示要选择的行和
指示所选列的第二个索引。这是对的
人们通常认为
第一个索引表示x位置（即列），第二个索引表示y
位置（即世界其他地区）。这本身就是许多混乱的根源；
面向矩阵的用户和面向图像的用户对
关于索引

答案是：

与numpy中的许多其他问题一样，这个问题的答案是：性能：

如果这是真的，为什么不选择呢
符合您最期望的索引顺序？特别是，为什么不定义
按行排序的图像是否使用图像约定？（这有时是指
作为Fortran约定与C约定的对比，因此“C”和“Fortran”
用于以numpy进行数组排序的排序选项。）这样做的缺点是
潜在的性能惩罚。按顺序访问数据是很常见的，
要么隐式地在数组操作中执行，要么显式地在
形象。完成后，将以非最佳顺序访问数据

您认为numpy“reduce”操作的
axis
参数，即减少维度数量（通常减少一个维度）的操作是不合逻辑的。您的论点是，给定二维数组，“幸存”维度不是指定的维度。很明显，你使用的短语是summing over

请允许我证明这种批评是站不住脚的。更为一致的概念是沿轴求和，而不是指定幸存轴，而是指定reduce操作消耗的轴

要看到这个，请考虑3d或100d。如果对一堆图像进行平均，则会得到一个平均图像，因此，您将沿过程中消耗的堆叠轴进行平均。根据你的逻辑——你会用幸存轴x和y来指定这个过程——这显然是错误的，比如100d——你必须列举99个幸存轴来描述沿着一个轴的单个减少

如果你对数学感到满意，你也可以很容易地说服自己，积分或求和变量就是后来消失的变量。矩阵乘法：求和维度是结果AB=C->C_jl=sum_k=1^n a_jk b_kl中没有的维度

类似地，将形状（M，N）视为行数、列数在二维中起作用，但在其他任何地方都不起作用。在3d中，它将成为x-y平面的数量，x-z平面的数量，y-z平面的数量，在100d中，x1-x2-x3-…-x99超平面的数量，x0-x2-x3-…-x99超平面的数量。。。最好将（M，N）看作列长度，行长度

我可以这样继续下去，但如果你现在还不相信，那么我不知道有什么可以说服你。
几个月前我回答了这个问题。我得查一下。暂时忘记第五行的列名。如果
a
是1d，那么
a.sum（axis=0）
做什么？使用2d时，哪个扩展是一致的？使用3d？这有帮助吗：；在那里，海报正在尝试理解3d案例中的轴。在某些方面，这比2d的情况更清楚
sum（axis=i）
删除
ith
维度，并保留其余维度。np.meshgrid`采用
索引
参数，允许您在
ij
和
xy
样式之间进行选择。基本上，它只是切换它返回的
I，J
元组的顺序。但在我看来，混淆不同于在函数（如
sum
）中涉及
axis
参数的混淆。至于性能，在1000x1000阵列上，
sum（axis=1）
快1.4倍（与
>>> b
array([1, 2, 3, 2, 3, 4])

>>> np.sum(b, axis=0)
15

>>> np.sum(b, axis=1)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
    np.sum(b, axis=1)
  File "/usr/local/lib/python3.6/site-packages/numpy/core/fromnumeric.py", line 1814, in sum
    out=out, **kwargs)
  File "/usr/local/lib/python3.6/site-packages/numpy/core/_methods.py", line 32, in _sum
    return umr_sum(a, axis, dtype, out, keepdims)
ValueError: 'axis' entry is out of bounds