Question

我有一些麻烦要知道如何以正确的方式做这件事。

print np.sum(X,axis=1)

和

print np.sum(X,axis=1).T

给了我相同的结果。解决问题的最佳方法是什么？

为什么不应该将这样的事情视为numpy中的错误？

例如：X=[[1,2],[3,4]]。

对于第一个结果，我希望获得array([[3,7]])，并array([[3],[7]])获得第二个结果。也可能是相反的方式。真的很重要。

Answer 1

我认为你想先转置：

print np.sum(X.T,axis=1)

你在求和后得到一个平面数组，所以显然转换一个1d数组会在换位时给你与原始数组相同的输出。

In [14]: X=np.array([[1,2,3],[4,5,6]])    
In [15]: np.sum(X, axis=1)
Out[15]: array([ 6, 15])    
In [16]: np.sum(X, axis=1).T
Out[16]: array([ 6, 15])    
In [17]: np.sum(X.T, axis=1)
Out[17]: array([5, 7, 9])

Answer 2

如果它在错误的轴上相加，为什么不改变呢？

>> np.sum(np.array([[1, 2, 3], [2, 3, 4]]), axis=1)
array([6, 9])

>> np.sum(np.array([[1, 2, 3], [2, 3, 4]]), axis=0)
array([3, 5, 7])

修改

您可以重新生成结果数组，如下所示：

>> np.sum(np.array([[1, 2, 3], [2, 3, 4]]), axis=1).reshape((2, 1)) array([[6], [9]])

Answer 3

如果您想在计算总和后保留额外的单身维度，可以将keepdims=True传递给sum：

X = np.array([[1, 2, 3], [2, 3, 4]])

print(np.sum(X, axis=0).shape)
# (3,)

print(np.sum(X, axis=0, keepdims=1).shape)
# (1, 3)

print(np.sum(X, axis=1, keepdims=1).shape)
# (2, 1)

除了使用keepdims之外，您还可以重新整形输出以插入新轴以替换在缩小中丢失的轴，例如：

# the '-1' here means that numpy will infer the size in the first dimension to
# match the number of elements in the result array
print(np.sum(X, axis=1).reshape(-1, 1).shape)
# (2, 1)

print(np.sum(X, axis=1)[:, np.newaxis].shape)
# (2, 1)

# indexing with 'None' is equivalent to 'np.newaxis'
print(np.sum(X, axis=1)[:, None].shape)
# (2, 1)

numpy sum结果和转置它给出相同的答案

3 个答案: