开发者

numpy之sum()的使用及说明

目录
  • numpy之sum()
  • 生动理解numpy.sum()以及其axis参数
    • 1、numpy.sum()方法
    • 2、numpy中axis的意义
    • 3、举个更具象的栗子
    • 4、总结
  • 最后

    numpy之sum()

    sum(a)默认为对输入参数中的所有元素进行求和

    >>> a
    array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
    >>> np.sum(a)
    66
    
    
    >>> b=np.arange(12)
    >>> b=b.reshape(2,6)
    >>> b
    array([[ 0, 1, 2, 3, 4, 5],
       [ 6, 7, 8, 9, 10, 11]])
    >>> np.sum(b)
    66

    sum()输入参数带有axis时,将按照指定axis进行对应求和

    >>> b=np.arange(12)
    >>> b=b.reshape(2,6)
    >>> b
    array([[ 0, 1, 2, 3, 4, 5],
       [ 6, 7, 8, 9, 10, 11]])
    >>> np.sum(b) #默认对所有元素进行求和
    66
    >>> np.sum(b,axis=0)  #在第一个轴展开方向上求和
    array([ 6, 8, 10, 12, 14, 16])
    >>> np.sum(b,axis=1)
    array([15, 51])
    >>>

    sum()输入参数axis为多个轴时,则依次按要求在axis上进行多次求和

    >>> a=np.arange(12).reshape(2,2,3)
    >>> a
    array([[[ 0, 1, 2],
        [ 3, 4, 5]],
    
       [[ 6, 7, 8],
        [ 9, 10, 11]]])
    
    >>> b=np.sum(a,axis=(0,1)) #分别在axis=0 和 1两个方向上进行求和
    >>> b
    array([18, 22, 26])
    >>> b=np.sum(a,axis=(1,2))
    >>> b
    array([15, 51])
    
    >>> b=np.sum(a,axis=(0,1,2)) #由于a为3为矩阵,所有在三个axis上分别求和相当于对所有元素进行求和
    >>> b
    66

    生动理解numpy.sum()以及其axis参数

    1、numpy.sum()方法

    使用NumPy模块时,经常会用到numpy开发者_Python教程.sum()方法,比如计算一个多维数组(ndarray)的所有元素之和:

    numpy之sum()的使用及说明

    sum()方法的计算原理是Sum of array elements over a given axis. 对指定维度axis上的元素进行求和,返回An array with the same shape as a(注:a是求和函数的输入数组),  with androidthe specified axis removed. 返回结果的shape和输入差不多,只是少了axis那一维度。

    所以,如果输入数组a的维度是3,shape是 (2,3,5) ,numpy.sum(a, axis=0)返回的数组shape是 (3,5) ,numpy.sum(a, axis=1)返回的数组shape是(2,5),numpy.sum(a, axis=2)返回的数组shape是 (2,3) 。

    numpy之sum()的使用及说明

    回到我刚才的问题,计算一个二维数组每一列的元素和,那么“列”到底对应哪一维度?axis=0还是axis=1?

    numpy之sum()的使用及说明

    arr是一个2行3列的数组,我要计算每一列的元素和,显然返回结果的shape应该是 (3,),所以axis=0!

    numpy之sum()的使用及说明

    sum()中还有一个参数是keepdims,默认值是False。如果我们想让返回结果的维度数(ndim)和输入相同,把keepdimes设置为True就可以了,sum()返回结果就变成了:返回结果的shape和输入差不多,只是axis那一维度值为1。

    numpy之sum()的使用及说明

    2、numpy中axis的意义

    NumPy用nd编程客栈array表示多维数组,多维数组,顾名思义,就是有多个维度的数组。比如向量(vector)只有一个维度,它是一维数组,矩阵(matrix)有两个维度,它是二维数组,三维以上的数组数学上称为张量(tensor)

    每个维度就对应一条坐标轴。比如平面直角坐标系,它是二维的,有两条坐标轴

    axis取值范围则对应ndarray对象的维度:一维数组时axis=0,二维数组时axis=0,1,维数越高,则axis可取的值越大,数组n维时,axis=0,1,…,n-1,维度序号0表示ndarray对象最外层[]的维度,序号越大对应ndarray对象越内层[]的维度

    • axis = 0表示按照最外层[]的维度的元素数目(shape)作分割,做块与块之间的运算,同时,若keepdims参数为False(默认),还要移除最外层[];
    • axis = 1表示对第二外层[]的维度的元素数目(shape)作分割,做块与块之间的运算,同时,若keepdims参数为False(默认),移除第二外层[];
    • axis = 2,3,4,5...也如此分析。

    3、举个更具android象的栗子

    为了使抽象思考具象化,我根据生活中熟悉的小区房屋分布,模拟出一个开发商楼盘面积分布图,辅助思考:

    numpy之sum()的使用及说明

    3.1、图中每个房子各有自己面积(单位:平方米),各个房子面积数据以标量形式存储在一个4维的,shape=(5,4,3,2)的numpy.array对象里;

    3.2、axis3,2,1,0四个维度分别代表房号、层数、单元号、小区期数;

    3.3、显而易见,依照小区的结构来看,这四个维度的地位并不相等,它们之间存在层级关系,其实ivwZb这也正好和numpy.array对象的数据结构一致。所以,如果你喜欢,还可以假设一座城市有若干个这样的小区,然后一个省有若干个这样的城市,一个国家有若干个这样的省,一个星球有若干个这样的国家......什么,禁止套娃?哦对,numpy.array的维度就是在套娃嘛,它里面各自的维度可不像长宽高一样地位相同;

    3.4、再来解读一下不同的axis参数下运算的意义(请注意白格子里的数字是怎样变化的):

    3.4.1 若以sum(axis=0)计算,则意味着按照单元数、层数、房号都一样(即axis3,axis2,axis1这3个维度的index都一样)的原则,把不同期数房子的面积汇总成为新的标量:

    numpy之sum()的使用及说明

    如上图,标量的意义也随之变化了。这些新的标量以shape=(4,3,2)的3个维度共同构成新的数组。因为汇总的是最顶http://www.devze.com层的维度axis0,所以生成的新数组只有1个。它替代了原先最顶层的数组,自己当了大佬,跳出了坑

    3.4.2 若以sum(axis=1)计算,则意味着按照层数、房号都一样(即axis3,axis2这2个维度的index都一样)的原则,在各自期数的小区里不同单元房子的面积汇总成为新的标量:

    numpy之sum()的使用及说明

    如上图,标量的意义也随之变化了。这些新的标量以shape=(3,2)的2个维度共同构成新的数组。因为汇总的维度是axis1,它上层还有size=5的维度axis0,所以生成的新数组有5个。它们分别砍掉了各自的shape=(4,3,2)的直系上司,自己做起了shape=(3,2)的中层领导。但可惜他们上层还有一个size=5的名叫axis0的大佬级维度没砍到,所以老实蹲在axis0的5个坑中

    3.4.3 若以sum(axis=2)计算,则意味着按照房号都一样(即axis3这1个维度的index都一样)的原则,在各单元里不同层数房子的面积汇总成为新的标量:

    numpy之sum()的使用及说明

    如上图,标量的意义也随之变化了。这些新的标量以shape=(2)的1个维度共同构成新的数组。

    因为汇总的维度是axis2,它上层还有size=4的维度axis1和size=5的维度axis0,所以生成的新数组有5x4个,它们分别砍掉了各自的shape=(3,2)的直系上司,自己做起了shape=(2)小领导。但可惜他们上层有size=4的axis1维度,上上层有size=5的axis0维度没砍到,所以蹲在axis0和axis1构成的5x4个坑中

    3.4.4 若以sum(axis=3)计算,则意味着在各层数里不同房号房子的面积汇总成为新的标量:

    numpy之sum()的使用及说明

    如上图,标量的意义也随之变化了。最底层的维度为1的数组axis3再降维汇总只能变成标量

    因为汇总的维度是axis3,它上层还有size=3的维度axis2、size=4的维度axis1和size=5的维度axis0,所以生成的新标量有5x4x3个,它们分别砍掉了各自的shape=(2)的直系上司,然鹅自己依旧没有下属,依然是个标量弟弟。且他们上层还有size=3的维度axis2,上上层还有size=4的维度axis1,上上上层还有size=5的维度axis0没砍到,所以蹲在axis0和axis1和axis2构成的5x4x3个坑中不能翻身。

    4、总结

    以上看出来什么规律了吗?首先,是层次化的结构,numpy.array对象里各个维度的地位并不相等,如果按地位相等的思考方式来考虑不同axis参数的运算,那我估计你脑袋就要炸了。numpy.array对象里各个维度之间存在层级关系,这是重要的思想方式,因为总-分的层级关系,才使得众多维度的变换符合人脑的思维方式,这与树形数据结构、分治算法等思想不谋而合。

    其次,当参数axis选定一个值(假设为d)后,那么numpy.array.sum()方法只会对指定d维度上的k(假设k为维度d的元素个数)个元素(可以是标量、矩阵、或是张量)进行合并求和,更高的维度(即维度0,1,...,d-1)的结构不会发生变动

    至于元素与元素之间的运算,如果元素是标量,它们的求和你会吧?这是小学一年级的技能。如果矩阵求和呢?不会请翻本科线性代数教材。张量求和不会?别开玩笑了,如果你会矩阵求和,那也自然而然懂得张量求和。不会的话再回头看看上面的例子,或者自己找多几个例子。

    除了sum函数,numpy中诸如argmin等包含axis参数的函数工作原理都相同。

    最后

    以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。

    0

    上一篇:

    下一篇:

    精彩评论

    暂无评论...
    验证码 换一张
    取 消

    最新开发

    开发排行榜