numpy最值、求和的實(shí)現(xiàn)
網(wǎng)上已經(jīng)有很多對(duì)于這幾個(gè)函數(shù)的講解資料，但總感覺(jué)講得有些亂，特別是對(duì)于高維數(shù)組，如果指定了某個(gè)軸，就會(huì)變得很復(fù)雜。這篇文章根據(jù)”拆分“原理，對(duì)numpy數(shù)據(jù)的這幾個(gè)函數(shù)進(jìn)行簡(jiǎn)單而又詳細(xì)地講解。
拆分原理：指定哪個(gè)軸，就對(duì)哪個(gè)軸進(jìn)行拆分，以得到多個(gè)數(shù)組，然后對(duì)這些數(shù)組進(jìn)行對(duì)應(yīng)元素操作。即
假設(shè)三維numpy數(shù)組array1的shape為(c, m, n)，其中axis=0對(duì)應(yīng)“c”，axis=1對(duì)應(yīng)“m”，axis=2對(duì)應(yīng)“n”。
若指定軸0（axis = 0），則對(duì)軸0進(jìn)行拆分，得到c個(gè)shape為(m, n)的ndarray：array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]，然后對(duì)array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]進(jìn)行對(duì)應(yīng)元素操作，得到輸出結(jié)果，其shape為(m, n)。其他軸類似。
如果您還沒(méi)明白，請(qǐng)繼續(xù)往下看。
最大值
np.max()、np.argmax()、np.maximum()和np.min()、np.argmin()、np.minimum()一一對(duì)應(yīng)，前一組與”最大“有關(guān)，后一組與”最小“有關(guān)，所以這里只講”最大“
np.max()
函數(shù)形式
np.max(array, axis=None, out=None, keepdims=False)
ndarray的形狀是從左往右的，即由外往里計(jì)算，這和list是一樣。
keepdims默認(rèn)為False，如果keepdims=True，則輸出的ndarray與原nadarray具有相同的形狀。
一維ndarray
import numpy as np array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.max(array1)) ?# 返回array1的最大值 print(np.max(array1, axis=0)) ?# 指定0軸（即array1本身，輸出結(jié)果一樣）
輸出結(jié)果：
[1 3 2 8 5]
二維ndarray
假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對(duì)應(yīng)“3”，axis=1對(duì)應(yīng)“4”
（1）指定軸0：axis=0
np.max(array1, axis=0)的意思就是：按第一個(gè)維度（即，行）對(duì)array1進(jìn)行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對(duì)array1[0, :]、array1[1, :]、array1[2, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者，構(gòu)成新的ndarray。
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))
輸出結(jié)果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.max(array1, axis=0) = [8 9 10 11]
（2）指定軸1：axis=1
np.max(array1, axis=1)的意思就是：按第二個(gè)維度（即，列）對(duì)array1進(jìn)行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對(duì)array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者，構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))輸出結(jié)果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.max(array1, axis=1) = [3 7 11]
三維ndarray
假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對(duì)應(yīng)“2”，axis=1對(duì)應(yīng)“3”，axis=2對(duì)應(yīng)“4”。
（1）指定軸0：axis=0
np.max(array1, axis=0)的意思就是：按第一個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對(duì)array1[0, :, :]、array1[1, :, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者，構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.max(array1, axis=0) =', np.max(array1, axis=0))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.max(array1, axis=0) = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
（2）指定軸1：axis=1
np.max(array1, axis=1)的意思就是：按第二個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對(duì)array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者，構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.max(array1, axis=1) = [[ 8 9 10 11]
[20 21 22 23]]
（3）指定軸2：axis=2
np.max(array1, axis=2)的意思就是：按第三個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對(duì)array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者，構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.max(array1, axis=2) =', np.max(array1, axis=2))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.max(array1, axis=2) = [[ 3 7 11]
[15 19 23]]
np.argmax()
np.argmax()與np.max()類似：np.max()返回指定軸的最大值，而np.argmax()返回指定軸的最大值對(duì)應(yīng)的索引，指定哪個(gè)軸，就按哪個(gè)軸進(jìn)行拆分。
一維ndarray
import numpy as np array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.argmax(array1)) ?# 返回array1的最大值對(duì)應(yīng)的索引 print(np.argmax(array1, axis=0)) ?# 指定0軸（即array1本身，輸出結(jié)果一樣）
輸出結(jié)果：
[1 3 2 8 5]
3
3
二維ndarray
假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對(duì)應(yīng)“3”，axis=1對(duì)應(yīng)“4”
（1）指定軸0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一個(gè)維度（即，行）對(duì)array1進(jìn)行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對(duì)array1[0, :]、array1[1, :]、array1[2, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對(duì)應(yīng)元素的最大值在array1[0, :]，則返回索引0,；若某一對(duì)應(yīng)元素的最大值在array1[1, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))輸出結(jié)果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.argmax(array1, axis=0)= [2 2 2 2]
（2）指定軸1：axis=1
np.arg(array1, axis=1)的意思就是：按第二個(gè)維度（即，列）對(duì)array1進(jìn)行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對(duì)array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對(duì)應(yīng)元素的最大值在array1[:, 0]，則返回索引0,；若某一對(duì)應(yīng)元素的最大值在array1[:, 1]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))輸出結(jié)果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.argmax(array1, axis=1) = [3 3 3]
（3）沒(méi)有指定任何軸
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
array1[2, 3] = 1
print('array1 =', array1)
print('np.argmax(array1) =', np.argmax(array1))輸出結(jié)果：
array1 = [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 1]]
np.argmax(array1) = 10
由于Numpy是按維度大小的順序由最底層開始存儲(chǔ)的，所以m × n m \times nm×n 的ndarray最大值的索引是：(np.argmax(array1) // n, np.argmax(array1) % n)。
三維ndarray
假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對(duì)應(yīng)“2”，axis=1對(duì)應(yīng)“3”，axis=2對(duì)應(yīng)“4”。
（1）指定軸0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對(duì)array1[0, :, :]、array1[1, :, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對(duì)應(yīng)元素的最大值在array1[0, :, :]，則返回索引0,；若某一對(duì)應(yīng)元素的最大值在[1, :, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.argmax(array1, axis=0) =', np.argmax(array1, axis=0))
輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.argmax(array1, axis=0) = [[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
（2）指定軸1：axis=1
np.argmax(array1, axis=1)的意思就是：按第二個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對(duì)array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對(duì)應(yīng)元素的最大值在array1array1[:, 0, :]，則返回索引0,；若某一對(duì)應(yīng)元素的最大值在[:, 1, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.argmax(array1, axis=1) = [[2 2 2 2]
[2 2 2 2]]
（3）指定軸2：axis=2
np.argmax(array1, axis=2)的意思就是：按第三個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對(duì)array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對(duì)應(yīng)元素進(jìn)行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對(duì)應(yīng)元素的最大值在array1array1[:, :, 0]，則返回索引0,；若某一對(duì)應(yīng)元素的最大值在[:, :, 1]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.argmax(array1, axis=2) =', np.argmax(array1, axis=2))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.argmax(array1, axis=2) = [[3 3 3]
[3 3 3]]
np.maximum()
np.maximum(array1, array2)：逐位比較array1和array2，并輸出兩者的最大值。
如果array1和array2的形狀相同，則輸出結(jié)果的形狀與array1和array2的形狀相同。
如果array1和array2的形狀不同（允許只有一個(gè)維度不同），則會(huì)用到numpy的broadcast機(jī)制。
如果用于比較的ndarray有一個(gè)是標(biāo)量，則另一個(gè)ndarray可以是任何形狀，這同樣用到了broadcast機(jī)制
import numpy as np
array1 = np.array([[2, 5, 8], [3, 4, 6]])
array2 = np.array([[3, 4, 9], [2, 1, 6]])
array3 = np.array([1, 6, 7])
print('array1 =', array1)
print('array2 =', array2)
print('array3 =', array3)
print('np.maximum(array1, array2) =', np.maximum(array1, array2))
print('np.maximum(array1, array3) =', np.maximum(array1, array3)) ?# numpy的broadcast機(jī)制
print('np.maximum(array1, 4) =', np.maximum(array1, 4)) ?# numpy的broadcast機(jī)制輸出結(jié)果：
array1 = [[2 5 8]
[3 4 6]]
array2 = [[3 4 9]
[2 1 6]]
array3 = [1 6 7]
np.maximum(array1, array2) = [[3 5 9]
[3 4 6]]
np.maximum(array1, array3) = [[2 6 8]
[3 6 7]]
np.maximum(array1, 4) = [[4 5 8]
[4 4 6]]
求和
np.sum
一維ndarray
對(duì)所有元素求和（無(wú)論多少維的ndarray，只要沒(méi)有指定axis，就表示對(duì)所有元素進(jìn)行求和）。
import numpy as np
array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.sum(array1)) # 返回對(duì)array1的所有元素進(jìn)行求和 print(np.sum(array1, axis=0)) # 指定0軸（即array1本身，輸出結(jié)果一樣）
二維ndarray
假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對(duì)應(yīng)“3”，axis=1對(duì)應(yīng)“4”
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個(gè)維度（即，行）對(duì)array1進(jìn)行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對(duì)array1[0, :]、array1[1, :]、array1[2, :]的對(duì)應(yīng)元素進(jìn)行逐位相加，構(gòu)成新的ndarray。即
np.sum(array1, axis=0) = array1[0, :] + array1[1, :] + array1[2, :]
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.sum(array1, axis=0)=', np.sum(array1, axis=0))輸出結(jié)果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.sum(array1, axis=0)= [12 15 18 21]
（2）指定軸1：axis=1
np.sum(array1, axis=1)的意思就是：按第二個(gè)維度（即，列）對(duì)array1進(jìn)行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對(duì)array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對(duì)應(yīng)元素進(jìn)行逐位相加，構(gòu)成新的ndarray。即
np.sum(array1, axis=1) = array1[:, 0] + array1[:, 1] + array1[:, 2] + array1[:, 3]
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))輸出結(jié)果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.sum(array1, axis=1) = [6 22 38]
三維ndarray
假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對(duì)應(yīng)“2”，axis=1對(duì)應(yīng)“3”，axis=2對(duì)應(yīng)“4”。
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對(duì)array1[0, :, :]、array1[1, :, :]的對(duì)應(yīng)元素進(jìn)行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=0) = array1[0, :, :] + array1[1, :, :]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.sum(array1, axis=0) =', np.sum(array1, axis=0))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.sum(array1, axis=0) = [[12 14 16 18]
[20 22 24 26]
[28 30 32 34]]
（2）指定軸1：axis=1
npsum(array1, axis=1)的意思就是：按第二個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對(duì)array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對(duì)應(yīng)元素進(jìn)行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=1) = array1[:, 0, :] + array1[:, 1, :] + array1[:, 2, :]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.sum(array1, axis=1) = [[12 15 18 21]
[48 51 54 57]]
（3）指定軸2：axis=2
np.sum(array1, axis=2)的意思就是：按第三個(gè)維度對(duì)array1進(jìn)行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對(duì)array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對(duì)應(yīng)元素進(jìn)行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=2) = array1[:, :, 0] + array1[:, :, 1] + array1[:, :, 2] + array1[:, :, 3]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.sum(array1, axis=2) =', np.sum(array1, axis=2))輸出結(jié)果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.sum(array1, axis=2) = [[ 6 22 38]
[54 70 86]]
到此這篇關(guān)于numpy最值、求和的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)numpy最值、求和內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Pycharm安裝并配置jupyter notebook的實(shí)現(xiàn)
這篇文章主要介紹了Pycharm安裝并配置jupyter notebook的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-05-05
史上最全Python文件類型讀寫庫(kù)大盤點(diǎn)
這篇文章主要為大家詳細(xì)介紹了史上最全Python文件類型讀寫庫(kù)大盤點(diǎn)，包含常用和不常用的大量文件格式，文本、音頻、視頻應(yīng)有盡有，廢話不多說(shuō)，走起來(lái)2023-05-05
Django框架model模型對(duì)象驗(yàn)證實(shí)現(xiàn)方法分析
這篇文章主要介紹了Django框架model模型對(duì)象驗(yàn)證實(shí)現(xiàn)方法,結(jié)合實(shí)例形式分析了Django框架model模型對(duì)象驗(yàn)證相關(guān)原理、實(shí)現(xiàn)步驟及操作注意事項(xiàng),需要的朋友可以參考下2019-10-10
這篇文章主要介紹了django模板加載靜態(tài)文件的方法步驟，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2019-03-03
Python批量將Word文檔(.doc)轉(zhuǎn)換為.docx格式的完整實(shí)現(xiàn)步驟
這篇文章主要介紹了Python批量將Word文檔(.doc)轉(zhuǎn)換為.docx格式的完整實(shí)現(xiàn)步驟,文中通過(guò)代碼介紹的非常詳細(xì),適用于Windows系統(tǒng),解決了手動(dòng)轉(zhuǎn)換的低效率和出錯(cuò)率問(wèn)題,需要的朋友可以參考下2024-12-12
辦公自動(dòng)化辦公中,Python最大的優(yōu)勢(shì)是可以批量操作,省去了用戶粘貼、復(fù)制、插入等繁瑣的操作,本文我們就來(lái)探索一下批量插入圖片到PPT的三種辦法吧2024-11-11
今天小編就為大家分享一篇python 列表降維的實(shí)例講解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-06-06
這篇文章主要介紹了基于python的Paxos算法實(shí)現(xiàn)，理解一個(gè)算法最快，最深刻的做法，我覺(jué)著可能是自己手動(dòng)實(shí)現(xiàn)，雖然項(xiàng)目中不用自己實(shí)現(xiàn)，有已經(jīng)封裝好的算法庫(kù)，供我們調(diào)用，我覺(jué)著還是有必要自己親自實(shí)踐一下,需要的朋友可以參考下2019-07-07
Python計(jì)數(shù)器collections.Counter用法詳解
本文主要介紹了Python計(jì)數(shù)器collections.Counter用法詳解，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
Python中的map()函數(shù)和reduce()函數(shù)的用法
這篇文章主要介紹了Python中的map()函數(shù)和reduce()函數(shù)的用法,代碼基于Python2.x版本,需要的朋友可以參考下2015-04-04