numpy最值、求和如何實現(xiàn)

這篇文章主要介紹“numpy最值、求和如何實現(xiàn)”，在日常操作中，相信很多人在numpy最值、求和如何實現(xiàn)問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”numpy最值、求和如何實現(xiàn)”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

拆分原理：指定哪個軸，就對哪個軸進行拆分，以得到多個數(shù)組，然后對這些數(shù)組進行對應(yīng)元素操作。即
假設(shè)三維numpy數(shù)組array1的shape為(c, m, n)，其中axis=0對應(yīng)“c”，axis=1對應(yīng)“m”，axis=2對應(yīng)“n”。
若指定軸0（axis = 0），則對軸0進行拆分，得到c個shape為(m, n)的ndarray：array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]，然后對array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]進行對應(yīng)元素操作，得到輸出結(jié)果，其shape為(m, n)。其他軸類似。

最大值

np.max()、np.argmax()、np.maximum()和np.min()、np.argmin()、np.minimum()一一對應(yīng)，前一組與”最大“有關(guān)，后一組與”最小“有關(guān)，所以這里只講”最大“

np.max()

函數(shù)形式

np.max(array, axis=None, out=None, keepdims=False)

ndarray的形狀是從左往右的，即由外往里計算，這和list是一樣。
keepdims默認為False，如果keepdims=True，則輸出的ndarray與原nadarray具有相同的形狀。

一維ndarray

import numpy as np

array1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.max(array1))  # 返回array1的最大值
print(np.max(array1, axis=0))  # 指定0軸（即array1本身，輸出結(jié)果一樣）

輸出結(jié)果：

[1 3 2 8 5]

二維ndarray

假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應(yīng)“3”，axis=1對應(yīng)“4”

（1）指定軸0：axis=0

np.max(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應(yīng)元素進行逐位比較，并取其最大者，構(gòu)成新的ndarray。

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))

輸出結(jié)果：

array1= [[0  1  2  3]
         [4  5  6  7]
         [8  9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.max(array1, axis=0) = [8 9 10 11]

（2）指定軸1：axis=1

np.max(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應(yīng)元素進行逐位比較，并取其最大者，構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))

輸出結(jié)果：

array1 = [[0  1  2  3]
          [4  5  6  7]
          [8  9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.max(array1, axis=1) = [3 7 11]

三維ndarray

假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應(yīng)“2”，axis=1對應(yīng)“3”，axis=2對應(yīng)“4”。

（1）指定軸0：axis=0

np.max(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應(yīng)元素進行逐位比較，并取其最大者，構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.max(array1, axis=0) =', np.max(array1, axis=0))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[0, :, :] = [[0  1  2  3]
                   [4  5  6  7]
                   [8  9 10 11]]
array1[1, :, :] = [[12 13 14 15]
                   [16 17 18 19]
                   [20 21 22 23]]
np.max(array1, axis=0) = [[12 13 14 15]
                          [16 17 18 19]
                          [20 21 22 23]]

（2）指定軸1：axis=1

np.max(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應(yīng)元素進行逐位比較，并取其最大者，構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, 0, :] = [[ 0  1  2  3]
                   [12 13 14 15]]
array1[:, 1, :] = [[ 4  5  6  7]
                   [16 17 18 19]]
array1[:, 2, :] = [[ 8  9 10 11]
                   [20 21 22 23]]
np.max(array1, axis=1) = [[ 8  9 10 11]
                          [20 21 22 23]]

（3）指定軸2：axis=2
np.max(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應(yīng)元素進行逐位比較，并取其最大者，構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.max(array1, axis=2) =', np.max(array1, axis=2))

輸出結(jié)果：

array1 = [[[0  1  2  3]
            [4  5  6  7]
           [8  9 10 11]]

           [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, :, 0] = [[ 0  4  8]
                   [12 16 20]]
array1[:, :, 1] = [[ 1  5  9]
                   [13 17 21]]
array1[:, :, 2] = [[ 2  6 10]
                   [14 18 22]]
array1[:, :, 3] = [[ 3  7 11]
                   [15 19 23]]
np.max(array1, axis=2) = [[ 3  7 11]
                          [15 19 23]]

np.argmax()

np.argmax()與np.max()類似：np.max()返回指定軸的最大值，而np.argmax()返回指定軸的最大值對應(yīng)的索引，指定哪個軸，就按哪個軸進行拆分。

一維ndarray

import numpy as np

array1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.argmax(array1))  # 返回array1的最大值對應(yīng)的索引
print(np.argmax(array1, axis=0))  # 指定0軸（即array1本身，輸出結(jié)果一樣）

輸出結(jié)果：

[1 3 2 8 5]
3
3

二維ndarray

假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應(yīng)“3”，axis=1對應(yīng)“4”
（1）指定軸0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應(yīng)元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應(yīng)元素的最大值在array1[0, :]，則返回索引0,；若某一對應(yīng)元素的最大值在array1[1, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))

輸出結(jié)果：

array1= [[0  1  2  3]
         [4  5  6  7]
         [8  9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.argmax(array1, axis=0)= [2 2 2 2]

（2）指定軸1：axis=1
np.arg(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應(yīng)元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應(yīng)元素的最大值在array1[:, 0]，則返回索引0,；若某一對應(yīng)元素的最大值在array1[:, 1]，則返回索引1；依此類推），構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))

輸出結(jié)果：

array1 = [[0  1  2  3]
          [4  5  6  7]
          [8  9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.argmax(array1, axis=1) = [3 3 3]

（3）沒有指定任何軸

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
array1[2, 3] = 1
print('array1 =', array1)
print('np.argmax(array1) =', np.argmax(array1))

輸出結(jié)果：

array1 = [[ 0  1  2  3]
          [ 4  5  6  7]
          [ 8  9 10  1]]
np.argmax(array1) = 10

由于Numpy是按維度大小的順序由最底層開始存儲的，所以m × n m \times nm×n 的ndarray最大值的索引是：(np.argmax(array1) // n, np.argmax(array1) % n)。

三維ndarray

假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應(yīng)“2”，axis=1對應(yīng)“3”，axis=2對應(yīng)“4”。

（1）指定軸0：axis=0

np.argmax(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應(yīng)元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應(yīng)元素的最大值在array1[0, :, :]，則返回索引0,；若某一對應(yīng)元素的最大值在[1, :, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。
import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.argmax(array1, axis=0) =', np.argmax(array1, axis=0))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[0, :, :] = [[0  1  2  3]
                   [4  5  6  7]
                   [8  9 10 11]]
array1[1, :, :] = [[12 13 14 15]
                   [16 17 18 19]
                   [20 21 22 23]]
np.argmax(array1, axis=0) = [[1 1 1 1]
                              [1 1 1 1]
                              [1 1 1 1]]

（2）指定軸1：axis=1
np.argmax(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應(yīng)元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應(yīng)元素的最大值在array1array1[:, 0, :]，則返回索引0,；若某一對應(yīng)元素的最大值在[:, 1, :]，則返回索引1；依此類推），構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, 0, :] = [[ 0  1  2  3]
                   [12 13 14 15]]
array1[:, 1, :] = [[ 4  5  6  7]
                   [16 17 18 19]]
array1[:, 2, :] = [[ 8  9 10 11]
                   [20 21 22 23]]
np.argmax(array1, axis=1) = [[2 2 2 2]
                                [2 2 2 2]]

（3）指定軸2：axis=2
np.argmax(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應(yīng)元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應(yīng)元素的最大值在array1array1[:, :, 0]，則返回索引0,；若某一對應(yīng)元素的最大值在[:, :, 1]，則返回索引1；依此類推），構(gòu)成新的ndarray。

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.argmax(array1, axis=2) =', np.argmax(array1, axis=2))

輸出結(jié)果：

array1 = [[[0  1  2  3]
            [4  5  6  7]
           [8  9 10 11]]

           [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, :, 0] = [[ 0  4  8]
                   [12 16 20]]
array1[:, :, 1] = [[ 1  5  9]
                   [13 17 21]]
array1[:, :, 2] = [[ 2  6 10]
                   [14 18 22]]
array1[:, :, 3] = [[ 3  7 11]
                   [15 19 23]]
np.argmax(array1, axis=2) = [[3 3 3]
                             [3 3 3]]

np.maximum()

np.maximum(array1, array2)：逐位比較array1和array2，并輸出兩者的最大值。

如果array1和array2的形狀相同，則輸出結(jié)果的形狀與array1和array2的形狀相同。
如果array1和array2的形狀不同（允許只有一個維度不同），則會用到numpy的broadcast機制。
如果用于比較的ndarray有一個是標量，則另一個ndarray可以是任何形狀，這同樣用到了broadcast機制

import numpy as np

array1 = np.array([[2, 5, 8], [3, 4, 6]])
array2 = np.array([[3, 4, 9], [2, 1, 6]])
array3 = np.array([1, 6, 7])
print('array1 =', array1)
print('array2 =', array2)
print('array3 =', array3)
print('np.maximum(array1, array2) =', np.maximum(array1, array2))
print('np.maximum(array1, array3) =', np.maximum(array1, array3))  # numpy的broadcast機制
print('np.maximum(array1, 4) =', np.maximum(array1, 4))  # numpy的broadcast機制

輸出結(jié)果：

array1 = [[2 5 8]
          [3 4 6]]
array2 = [[3 4 9]
          [2 1 6]]
array3 = [1 6 7]
np.maximum(array1, array2) = [[3 5 9]
                              [3 4 6]]
np.maximum(array1, array3) = [[2 6 8]
                              [3 6 7]]
np.maximum(array1, 4) = [[4 5 8]
                          [4 4 6]]

求和

np.sum

一維ndarray

對所有元素求和（無論多少維的ndarray，只要沒有指定axis，就表示對所有元素進行求和）。
import numpy as np

array1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.sum(array1))  # 返回對array1的所有元素進行求和
print(np.sum(array1, axis=0))  # 指定0軸（即array1本身，輸出結(jié)果一樣）

二維ndarray

假設(shè)二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應(yīng)“3”，axis=1對應(yīng)“4”
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應(yīng)元素進行逐位相加，構(gòu)成新的ndarray。即
np.sum(array1, axis=0) = array1[0, :] + array1[1, :] + array1[2, :]

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.sum(array1, axis=0)=', np.sum(array1, axis=0))

輸出結(jié)果：

array1= [[0  1  2  3]
         [4  5  6  7]
         [8  9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.sum(array1, axis=0)= [12 15 18 21]

（2）指定軸1：axis=1
np.sum(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應(yīng)元素進行逐位相加，構(gòu)成新的ndarray。即
np.sum(array1, axis=1) = array1[:, 0] + array1[:, 1] + array1[:, 2] + array1[:, 3]

import numpy as np

array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))

輸出結(jié)果：

array1 = [[0  1  2  3]
          [4  5  6  7]
          [8  9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.sum(array1, axis=1) = [6 22 38]

三維ndarray

假設(shè)三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應(yīng)“2”，axis=1對應(yīng)“3”，axis=2對應(yīng)“4”。
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應(yīng)元素進行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=0) = array1[0, :, :] + array1[1, :, :]

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.sum(array1, axis=0) =', np.sum(array1, axis=0))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[0, :, :] = [[0  1  2  3]
                   [4  5  6  7]
                   [8  9 10 11]]
array1[1, :, :] = [[12 13 14 15]
                   [16 17 18 19]
                   [20 21 22 23]]
np.sum(array1, axis=0) = [[12 14 16 18]
                          [20 22 24 26]
                          [28 30 32 34]]

（2）指定軸1：axis=1
npsum(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應(yīng)元素進行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=1) = array1[:, 0, :] + array1[:, 1, :] + array1[:, 2, :]

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))

輸出結(jié)果：

array1 = [[[0  1  2  3]
           [4  5  6  7]
           [8  9 10 11]]

          [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, 0, :] = [[ 0  1  2  3]
                   [12 13 14 15]]
array1[:, 1, :] = [[ 4  5  6  7]
                   [16 17 18 19]]
array1[:, 2, :] = [[ 8  9 10 11]
                   [20 21 22 23]]
np.sum(array1, axis=1) = [[12 15 18 21]
                           [48 51 54 57]]

（3）指定軸2：axis=2
np.sum(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應(yīng)元素進行逐位相加，構(gòu)成新的ndarray，即
np.sum(array1, axis=2) = array1[:, :, 0] + array1[:, :, 1] + array1[:, :, 2] + array1[:, :, 3]

import numpy as np

array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.sum(array1, axis=2) =', np.sum(array1, axis=2))

輸出結(jié)果：

array1 = [[[0  1  2  3]
            [4  5  6  7]
           [8  9 10 11]]

           [[12 13 14 15]
           [16 17 18 19]
           [20 21 22 23]]]
array1[:, :, 0] = [[ 0  4  8]
                   [12 16 20]]
array1[:, :, 1] = [[ 1  5  9]
                   [13 17 21]]
array1[:, :, 2] = [[ 2  6 10]
                   [14 18 22]]
array1[:, :, 3] = [[ 3  7 11]
                   [15 19 23]]
np.sum(array1, axis=2) = [[ 6 22 38]
                          [54 70 86]]

到此，關(guān)于“numpy最值、求和如何實現(xiàn)”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>