下面是我生成一个数据框架的代码:
import pandas as pd
import numpy as np
dff = pd.DataFrame(np.random.randn(1,2),columns=list('AB'))
然后我得到了数据框架:
+------------+---------+--------+
| | A | B |
+------------+---------+---------
| 0 | 0.626386| 1.52325|
+------------+---------+--------+
当我输入命令时:
dff.mean(axis=1)
我得到:
0 1.074821
dtype: float64
根据pandas的参考，axis=1代表列，我希望命令的结果是
A 0.626386
B 1.523255
dtype: float64
我的问题是:轴在熊猫中是什么意思?
当前回答
我的想法是:Axis = n，其中n = 0,1等意味着矩阵沿该轴折叠(折叠)。所以在一个二维矩阵中，当你沿着0(行)折叠时，你实际上是一次对一列进行操作。对于高阶矩阵也是如此。
这与对矩阵中维数的正常引用不同，其中0 ->行和1 ->列。对于N维数组中的其他维度也是如此。
其他回答
这里的许多答案对我帮助很大!
如果你对Python中的axis和R中的MARGIN的不同行为感到困惑(比如在apply函数中)，你可以找到我写的一篇感兴趣的博客文章:https://accio.github.io/programming/2020/05/19/numpy-pandas-axis.html。
从本质上讲:
Their behaviours are, intriguingly, easier to understand with three-dimensional array than with two-dimensional arrays. In Python packages numpy and pandas, the axis parameter in sum actually specifies numpy to calculate the mean of all values that can be fetched in the form of array[0, 0, ..., i, ..., 0] where i iterates through all possible values. The process is repeated with the position of i fixed and the indices of other dimensions vary one after the other (from the most far-right element). The result is a n-1-dimensional array. In R, the MARGINS parameter let the apply function calculate the mean of all values that can be fetched in the form of array[, ... , i, ... ,] where i iterates through all possible values. The process is not repeated when all i values have been iterated. Therefore, the result is a simple vector.
我将明确避免使用“行-wise”或“沿列”，因为人们可能会以完全错误的方式解释它们。
类比。直观地，你会期望pandas. datafframe .drop(axis='column')从N个列中删除一个列，并给出(N - 1)个列。所以你现在可以不关注rows(并从你的英语字典中删除row这个单词)。反之亦然，drop(axis='row')作用于行。
以同样的方式，sum(axis='column')在多个列上工作，并给出1列。类似地，sum(axis='row')的结果为1行。这与其最简单的定义形式是一致的，即将一组数字简化为一个数字。
一般来说，使用axis=column，您可以看到列，处理列，并获得列。忘记行。
使用axis=row，改变视角并在行上工作。
0和1只是“行”和“列”的别名。这是矩阵下标的惯例。
我的想法是:Axis = n，其中n = 0,1等意味着矩阵沿该轴折叠(折叠)。所以在一个二维矩阵中，当你沿着0(行)折叠时，你实际上是一次对一列进行操作。对于高阶矩阵也是如此。
这与对矩阵中维数的正常引用不同，其中0 ->行和1 ->列。对于N维数组中的其他维度也是如此。
实际上我们不需要记住轴=0轴=1代表什么。 有时，axis可以是一个元组:例如axis=(0,1)我们如何理解这样多个dim轴?
我发现如果我们理解python slice[:]是如何工作的，就会更容易。
假设我们有一个一维数组: A = [0,1,0]
a[:] # select all the elements in array a
假设我们有一个2d数组:
M = [[0, 0, 1],
[1, 0, 0],
[0, 2, 1],
[2, 0, 2],
[3, 1, 0]]
M[1,:] # M[0]=1, M[1]=* --> [1, 0, 0]
M[:,2] # M[0]=*, M[1]=2 --> [1, 0, 1, 2, 0]
M[:,:] # M[0]=*, M[1]=* --> all the elements in M are selected
当计算时:
np.sum(M, axis=0) # [sum(M[:,0]), sum(M[:,1]), sum(M[:,2])]
np.sum(M, axis=1) # [sum(M[0,:]), sum(M[1,:]), sum(M[2,:]), sum(M[3,:]), sum(M[4,:])]
np.sum(M, axis=-1) # -1 means last dim, it's the same with np.sum(M, axis=1)
np.sum(M, axis=(0,1)) # sum(M[:,:])
规则很简单，当计算时将axis中指定的暗值替换为:。
数组被设计为坐标轴=0，行被垂直放置，而坐标轴=1，列被水平放置。Axis指的是数组的尺寸。
