关于Python Numpy array 的axis 的用法的总结

我自己学习numpy已经很长时间了， 但一直搞不懂它array里面axis的用法 经常就是自己试一下看看axis=0 或者 axis=1 的时候会怎么样 然后再用到代码里面， 比如：

首先导入numpy和创建一个array

>>> import numpy as np
>>> a = np.array([[1,2],[10,20]])
>>> a
array([[ 1,  2],
       [10, 20]])

试试看当axis=0的时候平均值的输出：

>>> a.mean(axis=0)
array([  5.5,  11. ])

当aixs=1的时候平均值的输出：

>>> a.mean(axis=1)
array([  1.5,  15. ])

看似规律就是axis=0时是按照列来求平均而当axis=1时是按照行来求平均值的。 但是这种方法很难应用到高维的array中去：

>>> b = np.array([[[1,2,3],[4,5,6],[7,8,9]]])
>>> b
array([[[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]])
>>> b.shape
(1, 3, 3)
>>> b.mean(axis=0)
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.],
       [ 7.,  8.,  9.]])
>>> b.mean(axis=1)
array([[ 4.,  5.,  6.]])

可以看出当数组的形状为（1，3，3） axis=1时并不是按照行来求平均值的， 而且axis=0时的结果就是形状为（3，3） 数值就是它本身的数组。
以上我们就可以总结出：

• axis的数值是和数组的形状有关的。
• 如果axis=0， 则就按照最外面的那层array计算平均值； 如果axis=1， 则就按倒数第二层的array计算平均值， 以此类推。
• 那么我们就可以推导：既然上面的b数组是三维的形状（1，3，3） 那么就有axis=2，而且结果就是最里面那3行每行的平均值：

>>> b.mean(axis=2)
array([[ 2.,  5.,  8.]])

但是由于b只有三维（python从0开始index形状）， 当我们用axis=3时，就会有错误：

>>> b.mean(axis=3)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/jinjunjie/anaconda/lib/python2.7/site-packages/numpy/core/_methods.py", line 56, in _mean
    rcount = _count_reduce_items(arr, axis)
  File "/Users/jinjunjie/anaconda/lib/python2.7/site-packages/numpy/core/_methods.py", line 50, in _count_reduce_items
    items *= arr.shape[ax]
IndexError: tuple index out of range

英文还可以的同学看看这个和这个应该会有更深刻的理解.