Question

当我沿轴= 0（即行）求和时，我期待形状为（1,3）。但两种情况下的形状保持不变。那是为什么？

>>> arr = np.arange(9).reshape(3,3)
>>> arr
array([[0, 1, 2],
   [3, 4, 5],
   [6, 7, 8]])
>>> arr.sum(1)
array([ 3, 12, 21])
>>> arr.sum(1).shape
(3,)
>>> arr.sum(0)
array([ 9, 12, 15])
>>> arr.sum(0).shape
(3,)

Answer 1

numpy.sum返回：

与a形状相同的数组，指定轴已移除。

在两种情况下都删除了一个轴，您将留下单个元组。

2轴 - 1个指定轴= 1轴

然而，将keepdims作为True传递给两者会给出不同的形状，保留原始数组中的所有轴，并沿指定轴进行相应的长度变化：

>>> arr.sum(axis=0, keepdims=True)
array([[ 9, 12, 15]])
>>> arr.sum(axis=1, keepdims=True)
array([[ 3],
       [12],
       [21]])

Answer 2

因为沿ND阵列的轴求和产生（N-1）D阵列。如果您考虑

，这是有道理的

np.sum([1,2,3]) == 6  # a 0D 'array'

如果您想将arr.sum(1)转换为(1, 3)或(3, 1) 2D数组，请使用

s = arr.sum(0)[np.newaxis, :]  # (1, 3)

或

s = arr.sum(1)[:, np.newaxis]  # (3, 1)

Answer 3

根据the documentation，这是你得到的：

返回：

sum_along_axis：ndarray

与a相同形状的数组，删除指定的轴。如果a是0-d数组，或者如果axis是None，则返回标量。如果指定了输出数组，则返回对out的引用。

arr的形状确实是(3,3)并且是二维的。如果你移除一个轴，你将留下(3,)的形状 - 这是一维的。

形状为(1,3)的数组仍有两个轴。

Answer 4

numpy.arrays的逻辑与Matlab或数学不同。来自here：

向量处理（一维数组）对于数组，向量形状1xN，Nx1和N都是不同的东西。操作如 A [：，1]返回形状N的一维数组，而不是a 二维阵列形状Nx1。在一维上转置数组什么都不做。

Numpy故事不是从线性代数开始的，所以一维对象总是水平，不能转置，等等。第一次与不同的背景混淆，但在其他领域有很多优势。在numpy 2-dim数组是列（dim1）的行（dim0），就像矩阵一样，但选择一行或一列总是返回...一行！

举个例子：

In [1]: m=np.arange(6).reshape(3,2)

In [2]: m
Out[2]: 
  array([[0, 1],
         [2, 3],
         [4, 5]])

In [3]: m[0,:]  
Out[3]: array([0, 1])

In [4]: m[:,0]
Out[4]: array([0, 2, 4])

这个惯例被接受了，没有什么是非常困难的。

当我沿任一方向求一个方形numpy数组时，为什么形状保持不变？

4 个答案: