二维数组归约操作是对行或列执行聚合计算，axis=0按列归约得一维数组（长度=列数），axis=1按行归约得一维数组（长度=行数），需注意axis含义、缺失值处理及数据类型兼容性。

二维数组的行列归约操作，本质是对某一行或某一列的所有元素执行聚合计算（如求和、求最大值、求平均值等），结果为一维数组。关键在于明确归约方向（axis=0 沿行方向归约，即对每列操作；axis=1 沿列方向归约，即对每行操作），并确保数据类型和边界处理合理。

按列归约（axis=0）：压缩行维度，输出长度等于列数

该操作遍历每一列，将该列所有行元素参与计算。例如对 3×4 数组求和，结果是含 4 个元素的一维数组，每个值对应原数组中一列的总和。

• NumPy 中直接调用 arr.sum(axis=0)、arr.max(axis=0) 等即可
• 手动实现时，可用列表推导式：[sum(arr[:, j]) for j in range(arr.shape[1])]
• 注意空列情况：若某列为全 NaN，需配合 np.nansum 或设置 skipna=True（Pandas）

按行归约（axis=1）：压缩列维度，输出长度等于行数

该操作遍历每一行，将该行所有列元素参与计算。例如对 3×4 数组求均值，结果是含 3 个元素的一维数组，每个值代表对应行的平均值。

• NumPy 写法：arr.mean(axis=1)，返回 shape 为 (3,) 的数组
• 手动实现示例（Python 原生）：[sum(row)/len(row) for row in arr.tolist()]，适用于小规模或教学场景
• 警惕整数除法陷阱：若 arr 是 int 类型且用 Python 原生除法，可能截断小数，建议显式转 float 或使用 np.true_divide

自定义归约函数与高阶用法

除内置函数外，可传入任意接受一维数组并返回标量的函数，增强灵活性。

• 用 np.apply_along_axis：如 np.apply_along_axis(lambda x: x[x > 0].sum(), axis=1, arr=arr) 计算每行正数之和
• 结合布尔索引做条件归约，例如每行非零元素的中位数：np.array([np.median(row[row != 0]) if np.any(row != 0) else 0 for row in arr])
• 多维归约链式调用：先 axis=1 得行统计，再对其结果 axis=0 汇总（如求所有行均值的方差）

常见错误与规避方法

归约操作看似简单，但易在维度理解、缺失值、数据类型上出错。

• 混淆 axis 含义：牢记 “axis 是要被消除的轴”，axis=0 消除第 0 轴（行），保留列；可记作 “collapse rows → keep columns”
• 忽略广播不匹配：归约后结果若用于后续运算（如与原数组相减），需注意形状是否兼容，必要时用 reshape(-1, 1) 或 [:, None] 升维
• 未处理全 NaN 行/列：直接调用 .sum() 会返回 NaN，应优先用 np.nansum 或加 where=... 条件掩码