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
轴= 0表示从上到下 轴= 1表示从左到右
sums[key] = lang_sets[key].iloc[:,1:].sum(axis=0)
给定的例子是取column == key中所有数据的和。
其他回答
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:。
我是这样理解的:
比如说，如果你的操作需要在数据框架中从左到右/从右到左，你显然是在合并列。你在不同的列上操作。 这是轴=1
例子
df = pd.DataFrame(np.arange(12).reshape(3,4),columns=['A', 'B', 'C', 'D'])
print(df)
A B C D
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
df.mean(axis=1)
0 1.5
1 5.5
2 9.5
dtype: float64
df.drop(['A','B'],axis=1,inplace=True)
C D
0 2 3
1 6 7
2 10 11
这里需要注意的是，我们是在列上操作
类似地，如果您的操作需要在数据帧中从上到下/从下到上遍历，那么您正在合并行。轴为0。
让我们想象一下(你会永远记住)，
熊猫:
轴=0表示沿着“索引”。这是一个行运算。
假设，要对dataframe1和dataframe2执行concat()操作， 我们将从dataframe1中取出第一行并放入新的DF中，然后我们从dataframe1中取出另一行并放入新的DF中，我们重复这个过程，直到我们到达dataframe1的底部。然后，我们对dataframe2执行相同的过程。
基本上，将dataframe2堆叠在dataframe1之上，反之亦然。
在桌子或地板上堆一堆书
轴=1表示沿着“列”。这是一个按列的运算。
假设，要对dataframe1和dataframe2执行concat()操作， 我们将取出第一个完整的列(a.k.)。第一个系列)的dataframe1，并放置到新的DF，然后我们拿出dataframe1的第二列，并保持相邻的(侧)，我们必须重复这个操作，直到所有列完成。然后，我们在dataframe2上重复相同的过程。 基本上, 横向堆叠dataframe2。
把书摆放在书架上。
更重要的是，与矩阵相比，数组更好地表示嵌套的n维结构!所以下面可以帮助你更直观地看到轴是如何在一维以上的情况下发挥重要作用的。此外，你实际上可以打印/写入/绘制/可视化任何n-dim数组，但在矩阵表示(3-dim)中书写或可视化相同的内容在超过3维的纸张上是不可能的。
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。
axis=1，它将给出行和，keepdims=True将保持2D维度。 希望对你有所帮助。
