https://blog.csdn.net/weixin_43684951/article/details/86365522
1.對於numpy中的二維數組
In[4]中，np.sum(a)沒有指定axis參數值，此時表示將a平鋪成爲一個一維向量求取所有元素的和
In[5]中，np.sum(a, axis=0) 指定axis=0表示按照列來操作，最後得到的結果是每一列的和
In[6]中，np.sum(a, axis=1) 指定axis=1表示按照行來操作，最後得到的結果是每一行的和
2.對於numpy中的三維數組
此矩陣尺寸是 (2, 3, 4) 頁，行，列
In[3]中，np.sum(a)沒有指定axis參數值，此時表示將a平鋪成爲一個一維向量求取所有元素的和
In[4]中，np.sum(a, axis=0) 指定axis=0表示按照頁來操作，最後得到的結果是每一頁對應位置元素的和 輸出(3, 4)
In[5]中，np.sum(a, axis=1) 指定axis=1表示按照列來操作，最後得到的結果是每一頁每一列的和 輸出(2, 4)
In[6]中，np.sum(a, axis=2) 指定axis=2表示按照行來操作，最後得到的結果是每一頁每一行的和 輸出(2, 3)
3.對於參數axis取值的一些個人理解(僅供參考)
個人平時用到的numpy中的數組絕大多數是二維和三維，所以針對上述的理解已經足夠使用；numpy中的很多方法中的axis參數的設置與numpy.sum中的axis參數意義基本上一致，理解上面的例子基本可以應對axis出現的大多數場景
更一般地理解axis參數值是與shape函數的輸出元組中的值有一些聯繫
例1中 a.shape:(3, 4)
當axis=0時，表示在a.shape[0]這一個方向上進行操作，
將具有相同的a.shape[1]方向上的值集中操作，最後的操作結果是消除這一個方向，結果變爲了(4,)，而在本例中a是二維數組，a.shape[0]:3，表示的數組行數，那麼消除行的操作，就是按照列來操作，將同一列的元素進行求和；
當axis=1時，同理是爲了消除a.shape[1]這一個方向的操作，結果必然爲(3,),即爲對每一行的數據進行求和。
例2中 a.shape:(2, 3, 4)
當axis=0時，表示在a.shape[0]這一個方向上進行操作，最後的操作結果是消除這一個方向，即將頁這一個方向消除，結果變爲了(3, 4)，
而在本例中a是三維數組，a.shape[0]:2，表示的數組頁數，那麼消除頁的操作，就是按照行和列來操作，將具有相同行和列的元素進行求和(就是上文中描述的將每一頁中對應位置的元素求和)；當axis=1時，同理是爲了消除a.shape[1]這一個方向的操作，結果必然爲(2, 4),即爲對具有相同頁和列的數據進行求和；同理當axis=2時，同理是爲了消除a.shape[2]這一個方向的操作，結果必然爲(2, 3),即爲對具有相同頁和行的數據進行求和。
總結一下就是：設len(a.shape) = ndim，當axis=n，操作的結果就是要消除第n個維度，將具有相同的其他ndim-1個維度上的元素集中操作，輸出結果的維度爲ndim-1
例如np.sum(a, axis=0) a是二維數組，a[:, 0] a[:, 1] … a[:, a.shape[1]-1] 均爲一個向量，且每一個向量中的元素都具有相同的列,
np.sum(a, axis=0) = [np.sum(a[:, 0]), np.sum(a[:, 1]), …, np.sum(a[:, a.shape[1]-1])] 長度是a.shape[1]
————————————————
版權聲明：本文爲CSDN博主「魏晉小子」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/weixin_43684951/article/details/86365522
