axis 是数组 shape 元组中维度的索引号，指定 axis=i 即沿第 i 维操作并压缩该维；例如 shape=(4,3,2) 时，axis=0 对应长度为 4 的维度，sum 后结果为 (3,2)。
axis 不是“行”或“列”的代称，而是数组形状元组中维度的索引号。你指定 axis=i，NumPy 就会沿着第 i 个维度执行操作，并把该维度“压缩掉”。
axis 对应 shape 元组的索引
NumPy 数组的 shape 是一个元组，比如 arr.shape == (4, 3, 2)，它有三个维度，对应三个轴：
-
axis=0→ 对应shape[0]（值为 4） -
axis=1→ 对应shape[1]（值为 3） -
axis=2→ 对应shape[2]（值为 2）
所有带 axis 参数的函数（如 np.sum、np.mean、np.max、np.concatenate）都按这个规则工作。
-
np.sum(arr, axis=0)：结果形状为(3, 2)（删掉第 0 维） -
np.sum(arr, axis=1)：结果形状为(4, 2)（删掉第 1 维） -
np.sum(arr, axis=2)：结果形状为(4, 3)（删掉第 2 维）
这比记“0 是列方向”更可靠——因为二维时容易混淆，三维以上根本没“行列”概念。
立即学习“Python免费学习笔记（深入）”；
常见错误：把 axis=0 当成“对每行操作”
这是最典型的误解。实际是：
-
axis=0表示“在第 0 维上聚合”，即把所有索引[0, ...]、[1, ...]、[2, ...]的切片合并 - 对二维数组
arr（shape=(m, n)），arr[0]、arr[1]、…、arr[m-1]都是长度为n的一维子数组；np.sum(arr, axis=0)就是把这些子数组逐元素相加，得到一个长度为n的结果
容易踩的坑：
- 误以为
axis=0是“对每一行求和”，其实它是“把所有行叠起来，在垂直方向加” - 在
np.concatenate中错用axis：拼接两个(2,3)数组时，axis=0得到(4,3)，axis=1得到(2,6)，反了就报ValueError: all the input arrays must have same number of dimensions - 忘记
keepdims=True的作用：默认keepdims=False，压缩后维度减少，可能破坏广播兼容性；调试时加keepdims=True能快速验证轴选择是否符合预期
高维数组中快速判断 axis 的方法
面对 arr.shape == (a, b, c, d)：
- 想保留前两维、压缩后两维？→ 不能直接用单个
axis，得链式调用或改用np.sum(..., axis=(2, 3)) - 想只压缩第 1 维（即
b那一维）？→ 用axis=1，结果形状为(a, c, d) - 不确定该选哪个
axis？临时打印切片验证：print(arr[0].shape) # 看 axis=0 切出来的子数组形状 print(arr[:, 0].shape) # 看 axis=1 切出来的形状 print(arr[:, :, 0].shape) # 看 axis=2 切出来的形状
本质就是：axis=i 的操作，等价于对所有 arr[..., 0, ...]、arr[..., 1, ...]、… 沿该位置索引变化的方向做归约或拼接。
真正卡住人的不是语法，而是习惯性用“表格思维”去套高维数据。一旦开始把 axis 和 shape 索引严格对齐，三维、四维甚至五维数组的操作逻辑就完全一致了。
