Numpy的轴

import numpy as np
数组=np.array([[[1,2],[4,5],[7,8]],[[8,9],[11,12],[14,15]],[[10,11],[13,14],[16,17]],[[19,20],[22,23],[25,26]]])
print(数组.shape)  # 返回 (4, 3, 2)

最内层一对 [ ] 可以代表一个1维数组
加粗的一对 [ ] 里面有3个一维数组，也就是2维数组
最外层的一对 [ ] 里面有3个2维数组也就是3维数组
0轴是行，1轴是列，2轴是纵深
数组的shape维度是（4,3,2），元组的索引为 [ 0,1,2 ]
假设维度是（2，3），元组的索引为[0,1]
假设维度是（4，） 元组的索引为[0]
可以看到轴编号和shape元组的索引是对等的，所以这个编号可以理解为高维nd.array.shape产生的元组的索引
我们知道shape（4,3,2）表示数组的维度，既然shape的索引可以看做轴编号，那么一条轴其实就是一个维度
0轴对应的是最高维度3维，1轴对应2维，2轴对应的就是最低维度的1维

总结：凡是提到轴，先看数组的维度，有几维就有几个轴

沿轴切片

import numpy as np
数组=np.array([  [1,2,3] , [4,5,6] , [7,8,9]  ])
print(数组)
print(数组.shape)

数组的维度是（3，3），这个元组的索引是 [0,1]，表示这个2维数组有两条轴：0轴和1轴

首先看1个参数的切片操作：
print(数组[0:2])

这里有个很重要的概念， :2 是切片的第一个参数，约定俗成第一个参数就代表0轴
0轴表示2维，所以这个切片是在2维这个维度上切的，又叫“沿0轴切”。

这个2维数据是由3个1维数组组成的，这3个1维数组当然也有索引号也是[0,1,2]，[ :2 ] 就表示它要切取2维（0轴）上3个1维数组中的索引 [ 0 ] 和索引 [ 1 ] ，于是得到 ([ 1, 2, 3 ]) 和 ([ 4, 5, 6 ]) 这两个1维数组。

首先看2个参数的切片操作：
print(数组[:2,1:])

就是在两个维度（轴）上各切一刀，第1个参数就是2维（0轴）， :2 表示切取2维（0轴）上的索引 [ 0 ] 和索引 [ 1 ] ，即 ([ 1, 2, 3 ]) 和 ([ 4, 5, 6 ]) 这两个1维数组
第2个参数就是1维（1轴），1: 表示切取1维（1轴）上的索引 [ 1 ] 和索引 [ 2 ] ，即对数组 ([ 1, 2, 3 ]) 取 ([ 2,3 ]) ，对数组 ([ 4, 5, 6 ]) 取 ([ 5,6 ])

传入轴编号怎么理解

import numpy as np
数组=np.arange(16).reshape((2, 2, 4))
print(数组)
print(数组.shape)

数组的维度：（2，2，4） 元组索引（下标）：[0,1,2]

我们转换它：
3维数组的1维（2轴）上是4个一维数组，每个1维数组都有一个由0,1两个轴编号组成的索引 [ 0,0 ] , [ 0,1 ] , [ 1,0 ] , [ 1,1 ]，transpose方法传入的参数是轴编号 (1, 0, 2) 在就是把元组的索引顺序改变成 [ 1,0,2 ] 也就是把数组 [ 0,1 ] 的一维数组变成数组[ 1,0 ]

numpy数组转置换轴

transpose方法 【行列转置】

import numpy as np
数组=np.arange(24).reshape((4,6))
print(数组)
print("-"*30)
print(数组.transpose())

swapaxes方法 【轴转置】

mport numpy as np
数组=np.arange(24).reshape((4,6))
print(数组)
print("-"*30)
print(数组.swapaxes(1,0))