Python NumPy sum轴参数0和1怎么用

本文深入解析了NumPy中`np.sum()`函数`axis`参数的本质含义——它并非“沿某方向求和”，而是“压缩指定维度”，彻底厘清了axis=0（压缩最外维，即二维中按列求和）、axis=1（压缩最内维，即二维中按行求和）的底层逻辑，并通过形状变化、实际计算过程和常见误区（如与pandas混淆、忽略高维行为）强化理解；同时强调负索引（如axis=-1）、多轴组合（如axis=(0,2)）的灵活性，以及`keepdims=True`在广播运算和维度一致性中的不可替代作用——掌握这些，才能真正驾驭NumPy的张量操作，避免隐性维度错误。

np.sum() 的 axis 参数不是“按哪一行/列算”，而是“把哪一维压掉”——理解这点，90% 的混淆就解开了。

axis=0 是压掉第 0 维（最外层），不是“按行求和”

• 对二维数组 a.shape == (2, 3)（2 行 × 3 列）：
  • axis=0 意味着“跨所有行，对同一列位置的元素求和”，结果 shape 变成 (3,)，即每列一个数
  • 实际执行的是：a[0, j] + a[1, j]（j = 0,1,2）
• 常见错误现象：看到输出 [5, 7, 9] 就以为是“第一行加第二行”，但其实是“第 0 列加起来、第 1 列加起来……”
• 记法口诀：axis=0 → “从上往下压”，把行“叠”没了，留下列方向的值

axis=1 是压掉第 1 维（最内层），不是“按列求和”

• 同样 a.shape == (2, 3)：
  • axis=1 表示“跨所有列，对同一行内的元素求和”，结果 shape 变成 (2,)，即每行一个数
  • 实际执行的是：a[i, 0] + a[i, 1] + a[i, 2]（i = 0,1）
• 容易踩的坑：
  • 把 axis=1 和 pandas 的 df.sum(axis=1) 混淆——pandas 默认 axis=0，NumPy 默认 axis=None
  • 忘记 axis=1 在三维数组里对应中间维度，比如 a.shape == (4, 5, 6) 时，axis=1 压的是长度为 5 的那个轴，结果 shape 变为 (4, 6)

负索引和多轴组合：axis=-1 和 axis=(0, 2)

• axis=-1 等价于最内维：二维中 = axis=1，三维中 = axis=2，不依赖维度数，只依赖“从右往左数第几个”
• axis=(0, 2) 表示同时压掉第 0 维和第 2 维：
  • 若原 shape 是 (2, 3, 4)，结果 shape 是 (3,)
  • 顺序无关：axis=(0, 2) 和 axis=(2, 0) 结果完全一致
• 性能提示：一次压多个轴比嵌套调用两次 np.sum() 更快，也更省内存

keepdims=True 不是可选项，而是广播安全必需项

• 默认情况下 np.sum(a, axis=1) 输出 shape (2,)，而原数组是 (2, 3)，二者无法直接做减法（比如中心化）：
  • a - np.sum(a, axis=1) → ValueError: operands could not be broadcast together
• 加上 keepdims=True 后，结果 shape 变成 (2, 1)，就能正确广播：
  • a - np.sum(a, axis=1, keepdims=True) ✅
• 高维场景下这个坑更隐蔽：三维数组压掉 axis=1 后从 3D 变成 2D，再想还原结构或拼接会出错，keepdims=True 是最轻量的维度守门员

真正的难点不在“怎么写”，而在“写完后维度对不对”。每次调用 np.sum()，先默念一遍输出 shape，比查文档还快。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python NumPy sum轴参数0和1怎么用》文章吧，也可关注golang学习网公众号了解相关技术文章。