Numpy和Pandas中axis引數理解

numpy和pandas是資料處理中常用的庫，numpy和pandas許多函式都有axis這個引數，傳入axis引數可以指定在哪個軸上操作，但是使用axis到底該指定哪個軸，這帶了很多的困惑。下面我們就來分析一下，axis是怎麼指定不同的軸的，以及指定不同的軸，是怎樣操作的。pandas保持了numpy對關鍵字axis的用法，在此我們以numpy為例進行解釋。

numpy的array有個shape屬性，如：

import numpy as np
np.random.seed(123)
x=np.random.randint(0,5,[2,3,2])
print (x)
print (x.shape)

[[[2 4]
[2 1]
[3 2]]
[[3 1]
[1 0]
[1 1]]] 
(2, 3, 2)

可以看到生成的是乙個三維的隨機數組，axis=0就對應shape的用第0個元素對應的維度，axis=1對應shape的用第1個元素對應的維度，axis=2對應shape的用第2個元素對應的維度。即 axis=0，1，2 表示從外到內的維度。(2, 3, 2) 表示包含2個三行兩列的陣列。

numpy中的axis的設定引數與陣列的shape有關

例如乙個shape（3，2，4）的陣列，代表乙個三維陣列，要注意的是這裡的維度與物理學的維度的理解是不太一樣的

axis = 0時，就相當於所求的陣列的結果變成shape（2，4）

axis = 1時，陣列的結果shape（3，4）

axis = 2時，陣列的結果shape（3，2）

這裡應該看出來了，當axis=n的時候shape中相應的索引就會被去除，陣列發生了降維，那麼是如何降維的呢？首先要清楚shape裡的數字都代表什麼意義：

3代表這個numpy陣列裡巢狀著3個陣列（有三層）， 2代表其中每個陣列的行數，3代表其中每個陣列的列數。

>>>df = pd.dataframe([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]], \
columns=["col1", "col2", "col3", "col4"])
>>>df
col1  col2  col3  col4
0111112
2222
3333

如果我們呼叫df.mean(axis=1),我們將得到按行計算的均值

>>> df.mean(axis=1)01
1223

然而，如果我們呼叫 df.drop((name, axis=1),我們實際上刪掉了一列，而不是一行：

>>> df.drop("col4", axis=1)
col1  col2  col301
1112
2223
33

其實問題理解axis有問題，df.mean其實是在每一行上取所有列的均值，而不是保留每一列的均值。也許簡單的來記就是axis=0代表往跨行（down)，而axis=1代表跨列（across)，作為方法動作的副詞（譯者注）

換句話說:

-使用0值表示沿著每一列或行標籤\索引值向下執行方法

-使用1值表示沿著每一行或者列標籤模向執行對應的方法

下圖代表在dataframe當中axis為0和1時分別代表的含義:

axis引數作用方向圖示。另外，記住，pandas保持了numpy對關鍵字axis的用法，用法在numpy庫的詞彙表當中有過解釋：軸用來為超過一維的陣列定義的屬性，二維資料擁有兩個軸：第0軸沿著行的垂直往下，第1軸沿著列的方向水平延伸。

所以問題當中第乙個列子 df.mean(axis=1)代表沿著列水平方向計算均值，而第二個列子df.drop(name, axis=1) 代表將name對應的列標籤（們）沿著水平的方向依次刪掉。即df.mean(axis=1)表示一行一行的計算均值，df.drop(name, axis=1)表示一行一行的將name列刪掉。還可以這樣理解，axis等於那個維度代表操作在哪個維度上進行，操作後該維度消失(變成1)。如df.mean(axis=1)，axis=1表示均值操作在列上進行(跨列操作)，即按照行相加求均值，操作後變成一列。axis指定哪個維度表示跨哪個維度進行操作。

import numpy as np
np.random.seed(123)
x=np.random.randint(0,5,[2,3,2])
print (x)
print (x.max(axis=0))
print (x.sum(axis=0))

[[[2 4]
[2 1]
[3 2]]
[[3 1]
[1 0]
[1 1]]]
[[3 4]
[2 1]
[3 2]]
[[5 5]
[3 1]
[4 3]]

x陣列的shape為（2,3,2），3代表這個numpy陣列裡巢狀著3個陣列（有三層）， 2代表其中每個陣列的行數，3代表其中每個陣列的列數。x.max(axis=0)去掉第0個維度，得出的肯定是乙個3行2列的陣列。axis=0 表示跨第0個維度操作，其他維度保持不變。

>>> 
print (x.max(axis=1))
[[34]
[31]]
>>> 
print (x.sum(axis=1))
[[77]
[52]]

x.max(axis=1)去掉第1個維度，得出的肯定是乙個2行2列的陣列。axis=1 表示跨第1個維度操作，其他維度保持不變。

>>> 
print (x.max(axis=2))
[[42
3] [3
11]]
>>> 
print (x.sum(axis=2))
[[63
5] [4
12]]

x.max(axis=2)去掉第2個維度，得出的肯定是乙個2行3列的陣列。axis=2 表示跨第2個維度操作，其他維度保持不變。

numpy中對於axis的理解

numpy中axis理解

python之numpy（axis=0 與axis=1）區分

Numpy和Pandas中axis引數理解

numpy和pandas中set option總結

Numpy和Pandas的區別

python安裝numpy和pandas的方法步驟

Numpy和Pandas中axis引數理解

numpy和pandas中set option總結

Numpy和Pandas的區別

python安裝numpy和pandas的方法步驟

相關推薦