cumsum 默认 axis=None 会展平数组再累加得一维结果；axis=0 沿行累加（每列独立），axis=1 沿列累加（每行独立）；显式指定 axis 才能保持原 shape，多维同理；out 参数可原地写入但需注意兼容性与内存安全。
cumsum 是 NumPy 里最直接、最高效的累计和计算函数，不用循环、不手动累加，一行就能出结果。
cumsum 默认按行优先展开计算，但实际维度行为取决于 axis 参数
很多人调用 cumsum 后发现结果形状不对，或者数值顺序“怪怪的”，问题常出在没理解默认 axis=None 的行为：
-
axis=None（默认）：先把数组展平成一维，再逐元素累加，返回一维结果 -
axis=0：沿行方向累加（对每列独立计算），即“从上到下”累计 -
axis=1：沿列方向累加（对每行独立计算），即“从左到右”累计
例如：np.array([[1, 2], [3, 4]]) 在 axis=0 下结果是 [[1, 2], [4, 6]]；而 axis=None 得到 [1, 3, 6, 10] —— 注意这不是按行也不是按列，是先拉成 [1, 2, 3, 4] 再累加。
处理多维数组时，axis 必须显式指定才能保持原始 shape
如果输入是二维数组，又想保留二维结构（比如画图或后续广播运算），就不能依赖默认 axis=None：
立即学习“Python免费学习笔记（深入）”；
- 省略
axis→ 返回一维数组，shape 彻底改变 - 写
axis=0或axis=1→ 输出 shape 与输入一致 - 三维及以上同理，
axis可取0、1、2等，对应各轴
示例：a = np.ones((2, 3, 4))，np.cumsum(a, axis=1).shape 是 (2, 3, 4)；若漏写 axis，结果 shape 是 (24,)。
cumsum 返回的是新数组，原地修改需用 out 参数（但慎用）
cumsum 默认不修改原数组，符合 NumPy 多数函数的设计习惯。如需节省内存或复用缓冲区，可用 out 参数：
-
out数组必须 shape 和 dtype 兼容（比如 float 输入不能指向 int 输出） - 常见误用：传入比输入小的
out，会触发ValueError: output array is not acceptable - 更隐蔽的坑：
out若与输入共享内存（如切片），可能引发未定义行为
简单场景推荐直接赋值：result = np.cumsum(arr, axis=1)；只有明确压测或内存受限时才考虑 out。
axis 参数不是可选修饰，而是决定语义的关键开关——漏写、错写或凭直觉猜，都会让结果偏离预期，尤其在批量处理不同 shape 的数据时，这个细节最容易被跳过。
