【1】資料分析---Pandas/Numpy中axis參數

Pandas/Numpy中axis參數的了解

一、官方解釋

axis的官方解釋：

軸用來為超過一維的數組定義的屬性，

二維資料擁有兩個軸：第0軸沿着行的垂直往下，第1軸沿着列的方向水準延伸。

注意⚠️：**axis的重點在于方向，而不是行和列。**官方對于0和1的解釋是軸，也就是坐标軸。而坐标軸是有方向的，是以千萬不要用行和列的思維去想axis，因為行和列是沒有方向的。

簡單記憶：axis=0代表跨行（down)，而axis=1代表跨列（across)，作為方法動作的副詞。

二、圖解

• 使用0值表示沿着每一列或行标簽\索引值向下執行方法
• 使用1值表示沿着每一行或者列标簽向向執行對應的方法

多元：

axis=i，表示沿第i個下标索引變化的方向操作

三、應用

1.三維數組求和

In [1]: import numpy as np

In [2]: a = np.array([[[1,1],[2,1],[3,1]],[[4,1],[5,1],[6,1]],[[7,1],[8,1],[9,1]]])

In [3]: a
Out[3]: 
array([[[1, 1],
        [2, 1],
        [3, 1]],

       [[4, 1],
        [5, 1],
        [6, 1]],

       [[7, 1],
        [8, 1],
        [9, 1]]])

In [4]: a.shape
Out[4]: (3, 3, 2)
           

# 三維3x3x2 變 二維3x2
In [7]: np.sum(a,axis=0)
Out[7]: 
array([[12,  3],
       [15,  3],
       [18,  3]])
           

# 三維3x3x2 變 二維3x2
In [6]: np.sum(a,axis=1)
Out[6]: 
array([[ 6,  3],
       [15,  3],
       [24,  3]])
           

# 三維3x3x2 變 二維3x3
In [8]: np.sum(a,axis=2)
Out[8]: 
array([[ 2,  3,  4],
       [ 5,  6,  7],
       [ 8,  9, 10]])
           

2.四維數組求和

# 四維數組 4x3x2x3
In [18]: data = np.random.randint(0,5,(4,3,2,3))

In [19]: data
Out[19]: 
array([[[[3, 0, 3],
         [0, 0, 0]],

        [[3, 3, 1],
         [3, 0, 3]],

        [[1, 2, 3],
         [0, 0, 0]]],


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

        [[4, 3, 4],
         [0, 4, 0]],

        [[4, 0, 4],
         [4, 2, 2]]],


       [[[3, 2, 3],
         [2, 4, 4]],

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

        [[4, 3, 1],
         [2, 4, 3]]],


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

        [[1, 1, 1],
         [4, 3, 3]],

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

# 三維數組 3x2x3
In [20]: data.sum(axis=0)
Out[20]: 
array([[[ 6,  6, 11],
        [ 5,  4, 12]],

       [[10, 11,  9],
        [ 8, 10,  6]],

       [[11,  6, 12],
        [ 9,  8,  7]]])
           

# 三維數組 4x2x3
In [21]: data.sum(axis=1)
Out[21]: 
array([[[ 7,  5,  7],
        [ 3,  0,  3]],

       [[ 8,  6, 10],
        [ 5,  6,  6]],

       [[ 9,  9,  7],
        [ 5, 11,  7]],

       [[ 3,  3,  8],
        [ 9,  5,  9]]])
           

# 三維數組 4x3x3
In [22]: data.sum(axis=2)
Out[22]: 
array([[[3, 0, 3],
        [6, 3, 4],
        [1, 2, 3]],

       [[1, 3, 64
        [4, 7, 4],
        [8, 2, 6]],

       [[5, 6, 7],
        [3, 7, 3],
        [6, 7, 4]],

       [[2, 1, 7],
        [5, 4, 4],
        [5, 3, 6]]])
           

# 三維數組 4x3x2
In [23]: data.sum(axis=3)
Out[23]: 
array([[[ 6,  0],
        [ 7,  6],
        [ 6,  0]],

       [[ 5,  5],
        [11,  4],
        [ 8,  8]],

       [[ 8, 10],
        [ 9,  4],
        [ 8,  9]],

       [[ 4,  6],
        [ 3, 10],
        [ 7,  7]]])
           

3.三維數組排序和乘積

（1）排序

>>> data = np.random.randint(0, 5, [3,2,3])
>>> data
array([[[4, 2, 0],
        [0, 0, 4]],

       [[2, 1, 1],
        [1, 0, 2]],

       [[3, 0, 4],
        [0, 1, 3]]])
>>> np.sort(data)  ## 預設對最大的axis進行排序，這裡即是axis=2
array([[[0, 2, 4],
        [0, 0, 4]],

       [[1, 1, 2],
        [0, 1, 2]],

       [[0, 3, 4],
        [0, 1, 3]]])
>>> np.sort(data, axis=0)  # 沿着第0維進行排序，原先的a000->a100->a200轉變為a100->a200->a000
array([[[2, 0, 0],
        [0, 0, 2]],

       [[3, 1, 1],
        [0, 0, 3]],

       [[4, 2, 4],
        [1, 1, 4]]])
>>> np.sort(data, axis=1)  # 沿着第1維進行排序
array([[[0, 0, 0],
        [4, 2, 4]],

       [[1, 0, 1],
        [2, 1, 2]],

       [[0, 0, 3],
        [3, 1, 4]]])
>>> np.sort(data, axis=2)  # 沿着第2維進行排序
array([[[0, 2, 4],
        [0, 0, 4]],

       [[1, 1, 2],
        [0, 1, 2]],

       [[0, 3, 4],
        [0, 1, 3]]])
>>> np.sort(data, axis=None)  # 對全部資料進行排序
array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 3, 3, 4, 4, 4])
           

（2）乘積

>>> np.prod([[1.,2.],[3.,4.]])
 24.0

 >>> np.prod([[1.,2.],[3.,4.]], axis=1)
 array([  2.,  12.])

 >>> np.prod([[1.,2.],[3.,4.]], axis=0)
 array([ 3.,  8.])