Python numpy轴编号的明确权威解释？

我对术语axis在numpy中的确切含义以及这些结构是如何编号的矛盾解释感到困惑

这里有一个解释：
轴是为具有多个维度的阵列定义的。
二维数组有两个对应的轴：
第一个垂直向下跨行运行（轴0），并且
第二个水平穿过柱（轴1）

所以，在这个3x4矩阵中

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

（轴0）是3行
（轴1）为4列

所以规则可能是

在MxN矩阵中，（轴0）是M，（轴1）是N

这是正确的吗

所以，在三维矩阵AxBxC中 （轴0）是一个
（轴1）是B
（轴2）为C轴

---

这是对的吗？

除了

轴是为具有多个维度的阵列定义的

轴也为一维数组定义-只有一个（即轴0）

---

一个直观的思考轴的方法是考虑在一个轴上应用一个约化操作，如求和时会发生什么。例如，假设我有一些数组

x

：

x = np.arange(60).reshape(3, 4, 5)

如果我计算

x.sum（0）

我在第一个维度（即轴0）上“折叠”

x

，因此我得到一个

（4,5）

数组。同样地，

x.sum（1）

给我一个

（3,5）

数组，

x.sum（2）

给我一个

（3,4）

数组

---

一个整数索引到一个

x

的单轴上，也会给我一个少一个轴的输出。例如，

x[0，：，：]

给了我

x

的第一个“行”，它的形状是

（4，5）

，

x[：，0，：]

给了我形状是

（3，5）

的第一个“列”，而

x[：，：，0]

给了我形状是

x

的第三维第一个切片（3，4）

虽然可以在3D中想象这一点，但我个人觉得当我们进入4D或5D时，很难想象。。。所以我决定放弃，而是从实现的角度考虑这个问题。基本上，它有N个嵌套的

for

循环，如果我们想减少一个特定的轴，我们只需要处理该轴的for循环。例如，如果给定3x3x3张量，

axis=0

是[i][x][x]的For循环，

axis=1

是循环a[x][i][x]，

axis=2

是循环a[x][x][i]。4D，5D。。。应该有同样的方法

def my_reduce_max(a, axis=0):
    b = [[-1 for _ in range(3)] for _ in range(3)]
    for j in range(3):
        for k in range(3):
            tmp_max = -1
            for i in range(3):
                if axis == 0:
                    get_value = a[i][j][k]
                elif axis == 1:
                    get_value = a[j][i][k]
                else:
                    get_value = a[j][k][i]
                tmp_max = max(get_value, tmp_max)
            b[j][k] = tmp_max

    return b

a = np.arange(27).reshape((3,3,3))
print(a)
my_reduce_max(a, 2)

---

如果有人需要一个清晰的想法，以下是图片：

---

记住这一点的聪明方法是 axis=0折叠行 同时 轴=1将折叠柱

当使用sum函数和axis=0操作一个3*4数组时，将产生1*4输出，即所有行都将折叠，聚合将按列进行

使用axis=1执行相同的函数时，将折叠列并产生3*1输出，并沿行进行聚合

图像链接将进一步帮助吸收这一概念。

---

当然，这只是一个非常幼稚的代码，可以让您仔细思考这个想法。优化的实现应该减少这些for循环的数量。