np.mean()通过axis参数指定压缩维度：axis=0得(b,c)平面均值，axis=1得(a,c)，axis=2得(a,b)；支持整数或整数元组，需避免列表输入；keepdims=True可保留维度；dtype影响精度，建议显式指定。
如何用 np.mean() 指定 axis 计算三维数组的某平面均值
三维数组形状为 (a, b, c) 时，“特定平面”本质是固定一个维度、对另两个维度求均值。关键不是“选哪个面”，而是明确你想压缩哪一维：axis=0 压缩第一维（得到 (b, c) 平面均值），axis=1 得 (a, c)，axis=2 得 (a, b)。别被“XY/XZ/YZ面”这种几何说法绕晕——NumPy 只认索引维度。
常见错误是把 axis 当成坐标轴名来记。比如以为 axis=0 对应 Z 轴方向均值，其实它只表示“去掉第 0 维”，结果形状就是剩下两维的组合。
- 若数组
arr形状为(2, 3, 4)，np.mean(arr, axis=0)返回形状(3, 4)的数组，即对每个(i,j)位置沿第一个维度（2个切片）取平均 -
np.mean(arr, axis=(1,2))会压缩后两维，返回长度为2的一维数组，每个元素是对应第一个维度切片的全局均值 - 想保留维度（如保持三维结构但某维全为标量），加
keepdims=True：例如np.mean(arr, axis=1, keepdims=True)输出形状为(2, 1, 4)
遇到 TypeError: only integer scalar arrays can be converted to a scalar index 怎么办
这错误通常出现在你误把列表或元组当成了 axis 参数，比如写了 axis=[0] 或 axis=(0,) —— NumPy 要求 axis 是整数或整数元组，但某些旧版本或混合类型输入会触发该异常。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 确认传入的是纯整数或
tuple，而非list：用axis=0或axis=(0, 2)，别用axis=[0] - 检查变量类型：
print(type(your_axis_var))，尤其注意从配置读取或用户输入转来的值是否是str或list - 如果动态构造 axis，显式转换：
axis=tuple(target_dims)，确保target_dims是整数列表
性能差异：用 axis 还是先切片再 mean()？
直接指定 axis 更快也更省内存。手动切片（如 np.mean(arr[i,:,:], axis=(0,1))）会生成中间数组，且无法向量化计算所有切片。
例如对 (100, 200, 300) 数组按 axis=0 求均值，NumPy 内部用 C 循环累加，一次遍历完成；而循环切片需分配 200×300×100 字节临时空间，还带 Python 循环开销。
- 除非你要做非均匀操作（比如跳过某些切片、加权重），否则永远优先用
axis - 注意：
axis参数不支持条件过滤，像“只对满足 mask 的 slice 求均值”必须先布尔索引再mean() - 多线程加速？
np.mean默认不并行，大数组可考虑numexpr.evaluate('mean(arr, axis=0)')或dask.array
容易忽略的 dtype 影响：为什么均值结果精度不对
输入数组 dtype 决定计算精度和内存占用。uint8 数组做 mean() 默认仍返回 float64，但中间累加可能溢出（尤其大数组）；而 float32 输入若未指定 dtype，累加仍用 float64，但最终结果会 downcast 回 float32，导致精度损失。
- 显式控制输出类型：
np.mean(arr, axis=0, dtype=np.float64)强制高精度累加 - 节省内存时：
np.mean(arr.astype(np.float32), axis=0)比默认float64占一半空间 - 整数数组慎用：
np.mean(np.array([1,2,3], dtype=np.uint8))返回2.0（float64），但若后续要整数结果，得自己round().astype(int)
三维数组本身不特殊，但维度变多后 dtype 传播更容易被忽略——尤其是从 HDF5 或图像加载的数据常带 uint16，不做转换直接 mean 可能悄悄截断。
