Numpy和Pandas数据维度的理解————切莫简单问题复杂化

本文主要是介绍Numpy和Pandas数据维度的理解————切莫简单问题复杂化，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

几句话说明白的事情就不要整长篇大论甚至加上数学公式了，不是所有人都心情瞎扯。扯完还有人夸“简洁明了”，有没有搞错？

axis意为轴，在本文的语境中指Numpy和Pandas包中的维度。

1. 二维数组 / 数据框：

axis=0，即0轴，为数组或数据框的“行”；
axis=1，即1轴，为数组或数据框的“列”。

	a	b	c
0	a1	b1	c1
1	a2	b2	c2
2	a3	b3	c3

>>>df.iloc[2]
df1.iloc[2]
a    a3
b    b3
c    c3
Name: 2, dtype: object>>>df.iloc[2,1]
'b3'

iloc和loc以及其他定位操作，先行（0轴）后列（1轴）

2. 三维数组

我有如下两表：

	a	b	c
0	αa1	αb1	αc1
1	αa2	αb2	αc2
2	αa3	αb3	αc3

	a	b	c
0	βa1	βb1	βc1
1	βa2	βb2	βc2
2	βa3	βb3	βc3

两个表可以放进一个np.array里：(用代号表示数字用于示例，别愚蠢地问我为什么这些字符串在下文还能做算术，我用数字大家看得明白吗？)

array1 = [[["αa1","αb1","αc1"],["αa2","αb2","αc2"],["αa3","αb3","αc3"]],[["βa1","βb1","βc1"],["βa2","βb2","βc2"],["βa3","βb3","βc3"]]]

显然现在有3个轴，也许你记为XYZ，但请按Python的编程世界理解为0轴，1轴和2轴（对于R语言来说从1开始计数）。
这3条轴中，
有1条 = [0, 1] 记录着表的序号 == “第几张表”
有1条 = [a, b, c] 记录着每个表的列名（列序号） == “每张表的哪一列”
有1条 = [0，1，2] 记录着每个表的行名（行序号） == “每张表的哪一行”

若执行array1.sum(axis=0)，则结果为 array([αa1+βa1, αb1+βb1, αc1+βc1],
---------------------------------------[αa2+βa2, αb2+βb2, αc2+βc2],
---------------------------------------[αa3+βa3, αb3+βb3, αc3+βc3] )

可以看出①三维数组对某个维度求和，即将所有“在其他维度上坐标相同但在此维度上坐标不同”的元素相加；②0轴即表的序号，“第几张表”。

若执行array1.sum(axis=1)，则结果为 array([αa1+αa2+αa3, αb1+αb2+αb3, αc1+αc2+αc3],
---------------------------------------[βa1+βa2+βa3, βb1+βb2+βb3, βc1+βc2+βc3]）

可以看出①所有表序号相同（在同一张表内），列名相同（列序号）（同一列），但行序号不同（不在同一行）的元素被相加；②1轴即每个表的行名（行序号），“每张表的哪一行”。

若执行array1.sum(axis=2)，则结果为 array([αa1+αb1+αc1, αa2+αb2+αc2, αa3+αb3+αc3],
---------------------------------------[βa1+βb1+βc1, βa2+βb2+βc2, βa3+βb3+βc3])

可以看出①所有表序号相同（在同一张表内），行序号相同（同一行），但列序号不同（不在同一列）的元素被相加；②2轴即每个表的列名（列序号），“每张表的哪一列”。

3. 总结

（1）二维表里维度就是行与列；
（2）三维表里维度的顺序（表名→行名→列名）。逻辑也非常好懂，先确定哪张表，再在表内按照二维表的方法排列；
（3）更高维度的表（array里的中括号嵌套更多）中逻辑相似，阶梯降维（4th→3rd→2nd→1st）。具体请用类似我的方法实践证明。比如4维表里的元素应该有4个用于识别的字符构成，例如“Aαa1”，以此类推。

这篇关于Numpy和Pandas数据维度的理解————切莫简单问题复杂化的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---