NumPy数组行列求和方法详解

掌握NumPy数组求和的关键在于真正理解axis参数的本质：它指定的是“要压缩掉的维度”，而非简单对应“行或列”；axis=0压缩行方向实现按列求和，axis=1压缩列方向实现按行求和，负轴（如-1）则安全指向最后一维，避免越界错误；默认sum()会降维导致shape不匹配，需用keepdims=True保留维度以支持广播；面对含nan的真实数据，务必改用nansum跳过缺失值——它甚至对全nan序列返回0.0，行为稳定可靠；高维操作时，先查ndim、善用负轴、动手验算shape，能大幅减少后续reshape与broadcasting的连锁bug。

axis=0 是按列求和，不是按行

很多人看到 axis 就默认“0=行、1=列”，结果一用就错。NumPy 的 axis 指的是“要压缩掉的维度”：设 a.shape == (3, 4)，a.sum(axis=0) 会把第 0 维（即行方向）压掉，剩下形状为 (4,) —— 也就是每列加总，得到 4 个数。

• a.sum(axis=0) → 结果长度 = 原数组列数，每个值是该列所有元素之和
• a.sum(axis=1) → 结果长度 = 原数组行数，每个值是该行所有元素之和
• 三维数组如 a.shape == (2, 3, 4)，axis=1 表示沿中间那维求和，结果为 (2, 4)

sum() 默认对全部元素求和，不保留维度

直接写 a.sum() 得到一个标量，不是数组。如果后续要广播或拼接，这个行为常导致 shape 不匹配。

• 想保持维度（比如让结果仍是二维，只是某维长度为 1），得加 keepdims=True
• a.sum(axis=0, keepdims=True) 返回形状为 (1, 4) 的二维数组，不是 (4,)
• 省略 keepdims 时，NumPy 会“降维”，这是设计使然，不是 bug

遇到 nan 数据，sum() 默认结果是 nan

只要参与求和的切片里有一个 nan，np.sum() 就返回 nan，哪怕其他全是数字。这在处理真实数据时非常容易踩坑。

• 用 np.nansum() 替代 — 它自动跳过 nan，把其余数加起来
• np.nansum(a, axis=1) 对每行求和，该行有 nan 不影响其他行结果
• 注意：np.nansum([np.nan, np.nan]) 返回 0.0，不是 nan，这点和 np.nanmean() 行为不同

高维数组用 axis 要小心索引越界

传入不存在的 axis 值，比如 a.shape == (5, 6) 却写 a.sum(axis=2)，会报 numpy.AxisError: axis 2 is out of bounds for array of dimension 2。

• 可用 a.ndim 先查维度数，合法 axis 只能是 0 到 a.ndim - 1（含）
• 负轴如 axis=-1 表示最后一维，安全些；axis=-1 在二维里等价于 axis=1，在三维里等价于 axis=2
• 循环处理多个 axis 时，别硬写死数字，优先用 -1、-2 这类相对索引

axis 的语义和维度压缩逻辑一旦记混，后续 reshape、broadcasting 都会连锁出错。最稳妥的方式是每次用前 print 一下 shape，再手算一遍压缩后该剩几个维度——这点花十秒，比 debug 十分钟强。

到这里，我们也就讲完了《NumPy数组行列求和方法详解》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！