熊猫中的轴是什么意思？

Question

这里是我的代码来生成一个数据帧：

import pandas as pd 
import numpy as np 

dff = pd.DataFrame(np.random.randn(1,2),columns=list('AB')) 

然后我得到的数据框：

+------------+---------+--------+ 
|   | A  | B  | 
+------------+---------+--------- 
|  0  | 0.626386| 1.52325| 
+------------+---------+--------+ 

当我键入条命令：

dff.mean(axis=1) 

我：

0 1.074821 
dtype: float64 

根据大熊猫的参考轴= 1个代表列，我预计该命令的结果是

A 0.626386 
B 1.523255 
dtype: float64 

因此，这里是我的问题：是什么轴大熊猫是什么意思？

Answer 1

它指定轴沿手段进行计算。默认情况下，axis=0。当指定axis这与numpy.mean用法一致明确（在numpy.mean，通过默认轴==无，其计算所述扁平阵列上的平均值），其中axis=0沿着行（即，指数熊猫）和axis=1沿着列。

+------------+---------+--------+ 
|   | A  | B  | 
+------------+---------+--------- 
|  0  | 0.626386| 1.52325|----axis=1-----> 
+------------+---------+--------+ 
      |   | 
      | axis=0 | 
      ↓   ↓ 

Answer 2

这意味着它采取利用每一列基于均值，轴= 0会给你你怎么想，但轴= 1给出

(0.626386+1.52325)/2 
1.075 

Answer 3

大熊猫设计师Wes McKinney曾经在金融数据方面进行过大量的工作。将列作为股票名称和指数考虑为每日价格。然后，您可以猜测与此财务数据有关的默认行为（即axis=0）。可以简单地认为axis=1是“另一个方向”。

例如，统计功能，如mean()，sum()，describe()，count()所有默认列明智的，因为它更有意义，做他们每个股票。 sort_index(by=)也默认为列。 fillna(method='ffill')将填充列，因为它是相同的股票。 dropna()默认为行，因为您可能只想在当天放弃价格，而不是抛弃该股票的所有价格。

同样，方括号索引是指列，因为选择股票而不是选择一天更为常见。

Answer 4

我理解的最简单方法是讨论是否计算每列（axis = 0）或每行（axis = 1）的统计量。如果你计算一个统计数据，说一个平均数，用axis = 0你会得到每一列的统计数据。因此，如果每个观察值都是一行，并且每个变量都在一列中，那么您将得到每个变量的平均值。如果您设置了axis = 1，那么您将计算每行的统计数据。在我们的例子中，你会得到所有变量的每个观察值的均值（也许你需要相关度量的平均值）。

axis = 0：通过柱=逐列=沿着行

axis = 1：由行=逐行=沿着列

Answer 5

axis指数组的维数，在pd.DataFrame的情况下s axis=0是指向下的维度，axis=1指向右边的维度。

例如：想象一下形状为(3,5,7)的ndarray。

a = np.ones((3,5,7)) 

a是3维ndarray，即它具有3轴（ “轴” 是复数的 “轴” 的）。 a的配置看起来像3片面包，其中每片的尺寸为5×7。 a[0,:,:]将参考第0个切片，a[1,:,:]将指1-ST切片等

a.sum(axis=0)将适用sum()沿着a第0轴。您将添加所有切片并以一片切片形状(5,7)结束。

a.sum(axis=0)相当于

b = np.zeros((5,7)) 
for i in range(5): 
    for j in range(7): 
     b[i,j] += a[:,i,j].sum() 

b和a.sum(axis=0)都将是这样的

array([[ 3., 3., 3., 3., 3., 3., 3.], 
     [ 3., 3., 3., 3., 3., 3., 3.], 
     [ 3., 3., 3., 3., 3., 3., 3.], 
     [ 3., 3., 3., 3., 3., 3., 3.], 
     [ 3., 3., 3., 3., 3., 3., 3.]]) 

在pd.DataFrame，轴的工作方式相同numpy.array S：axis=0将适用sum()或任何其他减少函数为每列。

N.B.在@ zhangxaochen的回答中，我发现短语“沿着行”和“沿着列”有些混淆。 axis=0应该指“沿着每一列”，并且沿着每一行“axis=1”。

Answer 6

从编程角度看，轴是形状元组中的位置。以下是一个示例：

import numpy as np 

a=np.arange(120).reshape(2,3,4,5) 

a.shape 
Out[3]: (2, 3, 4, 5) 

np.sum(a,axis=0).shape 
Out[4]: (3, 4, 5) 

np.sum(a,axis=1).shape 
Out[5]: (2, 4, 5) 

np.sum(a,axis=2).shape 
Out[6]: (2, 3, 5) 

np.sum(a,axis=3).shape 
Out[7]: (2, 3, 4) 

轴上的平均值将导致该维度被删除。

参照原始问题，dff形状是（1,2）。使用轴= 1将形状更改为（1，）。

Answer 7

这些答案确实有助于解释这一点，但对于非程序员（即像我这样第一次在数据科学课程中学习Python的人）来说，它仍然不是非常直观。我仍然发现对行和列使用术语“沿”或“对于每个”是混淆的。

什么更有意义，我是这样说的：

• 轴0将在每列
• 轴1将在每个行作用于所有列作用于所有行

因此，轴0上的平均值将是每列中所有行的平均值，轴1上的平均值将是每行中所有列的平均值。

最终这是说@ zhangxaochen和@Michael相同的东西，但以一种更容易让我内化的方式。

Answer 8

轴= 0意味着上向下 轴线= 1种手段左至右

sums[key] = lang_sets[key].iloc[:,1:].sum(axis=0) 

鉴于例如在塔采取所有数据的总和==键。