python-axis

在Python中，axis参数在许多库如NumPy、Pandas中是一个重要概念，它表示数据沿着哪个轴或维度进行操作。

NumPy

np.array()

对于一个二维数组（矩阵），axis=0表示操作沿着行（垂直方向），axis=1表示操作沿着列（水平方向）

# 创建一个 3x3 的数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 沿着 axis=0（行方向）求和
sum_axis0 = np.sum(arr, axis=0)
# 输出: array([12, 15, 18])

# 沿着 axis=1（列方向）求和
sum_axis1 = np.sum(arr, axis=1)
# 输出: array([ 6, 15, 24])

np.concatenate(a1,a2 axis=0)

np.concatenate主要用于在指定轴上对多个数组进行拼接，拼接的轴的长度必须相同，例如：

import numpy as np

a = np.array([[1, 2], [3, 4]]) 
b = np.array([[5, 6], [7, 8]]) 

c = np.concatenate((a, b), axis=0)
d = np.concatenate((a, b), axis=1)

print(c)
print(d)
#[[1 2]
# [3 4]
# [5 6]
# [7 8]]

#[[1 2 5 6]
# [3 4 7 8]]

np.append(arr, values, axis=None)

np.append是在数组的末尾添加元素，其使用方法为：

np.append(arr, values, axis=None)

其中，arr为原数组，values为需要添加的值，axis为需要添加的轴（如果不指定axis，则会将数组先展开成1D数组，再进行添加）。如果添加的值是一个数组，则会将数组在指定的轴上与原数组进行拼接。

import numpy as np

a = np.array([[1, 2], [3, 4]]) 
b = np.array([[5, 6], [7, 8]])

c = np.append(a, b)  # 在1D数组上进行拼接
d = np.append(a, b, axis=0)  # 在行上进行拼接
e = np.append(a, b, axis=1)  # 在列上进行拼接

print(c)
print(d)
print(e)
#[1 2 3 4 5 6 7 8]

#[[1 2]
# [3 4]
# [5 6]
# [7 8]]

#[[1 2 5 6]
# [3 4 7 8]]

需要注意的是，np.append返回的是新的数组，不会改变原数组。在原始数据集比较大时，推荐使用np.concatenate()函数进行数组拼接。

np.stack(array, axis=0)

沿着新轴连接数组的序列，此方法与拼接不同。

axis 参数指定新轴在结果尺寸中的索引。例如，如果axis=0，它将是第一个维度，如果axis=-1，它将是最后一个维度。

一维数组

import numpy as np

# 定义两个一维数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 在轴0方向连接这两个数组
c = np.stack((a, b), axis=0)

# 输出结果
print(c.shape)
print(c)
# 输出：
# (2,3)
# [[1 2 3]
#  [4 5 6]]

# 在轴1方向连接这两个数组
d = np.stack((a, b), axis=1)

# 输出结果
print(d.shape)
print(d)
# 输出：
# (3,2)
# [[1 4]
#  [2 5]
#  [3 6]]

(2,3)和(3,2)中的2是怎么来的：因为有a和b两个array。
可以理解axis指定了要增加的维度：例如axis=0表示在第一维度上增加，因此(2,3)中的2位于第一维度。而axis=1表示在第二维度上增加，因此(3,2)中的2位于第二维度。

二维数组

两个要素：

stack堆叠的方向
stack堆叠后增加的维度

# 定义一个2行3列的二维数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])

# 定义一个2行3列的二维数组
arr2 = np.array([[7, 8, 9], [10, 11, 12]])

# 在轴0方向连接这两个数组
arr3 = np.stack((arr1, arr2), axis=0)

# 输出结果
print(f"Arr3 shape:{arr3.shape}")
print(arr3)
# Arr3 shape:(2, 2, 3)
# [[[ 1  2  3]
#   [ 4  5  6]]

#  [[ 7  8  9]
#   [10 11 12]]]

# 在轴1方向连接这两个数组
arr4 = np.stack((arr1, arr2), axis=1)

# 输出结果
print(f"Arr4 shape:{arr4.shape}")
print(arr4)
# Arr4 shape:(2, 2, 3)
# [[[ 1  2  3]
#   [ 7  8  9]]

#  [[ 4  5  6]
#   [10 11 12]]]

# 在轴2方向连接这两个数组
arr5 = np.stack((arr1, arr2), axis=2)

# 输出结果
print(f"Arr5 shape:{arr5.shape}")
print(arr5)
# Arr5 shape:(2, 3, 2)
# [[[ 1  7]
#   [ 2  8]
#   [ 3  9]]

#  [[ 4 10]
#   [ 5 11]
#   [ 6 12]]]

这里的2就是指的a和b，而2放在什么位置是根据axis来确定的

Pandas

在Pandas中，axis参数用于在DataFrame（类似于二维表格的数据结构）上执行操作，如汇总、排序和删除列或行等。与NumPy类似，axis=0表示操作沿着行（垂直方向），axis=1表示操作沿着列（水平方向）

import pandas as pd

# 创建一个 DataFrame
data = {'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}
df = pd.DataFrame(data)
print(df)
#    A  B  C
# 0  1  4  7
# 1  2  5  8
# 2  3  6  9
# 删除名为 'A' 的列，沿着 axis=1（列方向）
df = df.drop('A', axis=1)
print(df)
#    B  C
# 0  4  7
# 1  5  8
# 2  6  9
# 计算每一行的和，沿着 axis=1（列方向）
row_sum = df.sum(axis=1)
print(row_sum)
# 0    11
# 1    13
# 2    15

Reference

[1] numpy.stack最通俗的理解: https://blog.csdn.net/qq_17550379/article/details/78934529