py#矩阵运算以及axis取值的讨论

不同矩阵a,b对应位置元素运算

1）合并矩阵：merge=np.array([a,b])

1）求平均np.mean(merge,axis=0)

2）求标准差np.std(merge,axis=0)

3）求差值，直接a-b

4）求分数，直接a/b

关于axis运算方向的问题，在看了网上的一些解析与实验测试之后，发现如下规律：

当矩阵为2维时，运算很好理解，即axis=0代表每列的平均值，axis=1代表每行的平均值，网上很多这是这样解析的，但是这种表述是不准确的。

准确的表述应为：axis=0代表每行的对应位置元素的平均值，axis=1代表每列对应元素的平均值。

在这种表述下，很容易想到numpy读取元素是按照先行后列，即np.shape[0]为行，np.shape[1]为列。如此解释，就得到了axis值的具体意义，即指np矩阵的行方向对应着元素或者列方向对应位置元素的运算。

并且，在更高维度np矩阵中，这种理解同样适用，如果矩阵a的shape为(2,3,4)，通俗可理解为两层三行四列，那么axis=0是对各层对应位置元素进行运算，得到的结果矩阵shape为(3,4)；axis=1则是对各层中每行对应位置元素进行运算，得到结果矩阵shape为(2,4)；axis=2则对各层中每列对应位置元素进行运算，得到结果矩阵shape为(2,3)

示例：

a1=np.array([[1,1,1,1],[2,2,2,2],[3,3,3,3]])
a2=np.array([[4,4,4,4],[5,5,5,5],[6,6,6,6]])
a=np.array([a1,a2])

　　a=

array([[[1, 1, 1, 1],
        [2, 2, 2, 2],
        [3, 3, 3, 3]],

       [[4, 4, 4, 4],
        [5, 5, 5, 5],
        [6, 6, 6, 6]]])

#axis=0，shape[0]维度进行运算
np.mean(a,axis=0)

　　Out:

array([[2.5, 2.5, 2.5, 2.5],
       [3.5, 3.5, 3.5, 3.5],
       [4.5, 4.5, 4.5, 4.5]])

#axis=1,shape[1]维度进行运算
np.mean(a,axis=1)

　　Out:

array([[2., 2., 2., 2.],
       [5., 5., 5., 5.]])

#axis=2,shape[2]维度进行运算
np.mean(a,axis=2)

　　Out:

array([[1., 2., 3.],
       [4., 5., 6.]])