pandas的意思是什么？
这是我的代码来生成一个数据框：
import pandas as pd import numpy as np dff = pd.DataFrame(np.random.randn(1,2),columns=list('AB')) 那么我得到的dataframe：
+------------+---------+--------+ | | A | B | +------------+---------+--------- | 0 | 0.626386| 1.52325| +------------+---------+--------+
当我input命令：
dff.mean(axis=1)
我有 ：
0 1.074821 dtype: float64
根据大pandas的参考，轴= 1代表列，我希望命令的结果是
A 0.626386 B 1.523255 dtype: float64
所以这里是我的问题：在pandas中轴是什么意思？
它指定了计算平均值的轴。 默认axis=0 。 这与显式指定axis （在numpy.mean ，axis == None（默认情况下，它计算平展数组上的平均值））中的numpy.mean用法一致，其中沿着行的 axis=0 （即index在pandas）， axis=1沿列 。
+------------+---------+--------+ | | A | B | +------------+---------+--------- | 0 | 0.626386| 1.52325|----axis=1-----> +------------+---------+--------+ | | | axis=0 | ↓ ↓
axis是pd.DataFrame组的维数，在pd.DataFrame的情况下， axis=0是指向下的维度， axis=1指向右边的维度。
例子：想象一个具有形状的ndarray (3,5,7) 。
a = np.ones((3,5,7))
a是三维ndarray ，即它具有三个轴 （“轴”是多个“轴”）。 a的configuration看起来像3片面包，其中每个片的尺寸为5×7。 a[0,:,:]指的是第0个片， a[1,:,:]指的是第1个片等
a.sum(axis=0)将沿着a的第0轴应用sum() 。 你将添加所有的切片，并最终形成一个切片(5,7) 。
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)将看起来像这样
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 ，坐标轴的工作方式与numpy.array相同： axis=0将为每列应用sum()或任何其他缩减函数。
NB在@ zhangxaochen的答案中，我发现短语“沿着行”和“沿着列”稍微混淆。 axis=0应该指“沿着每一列”，并且axis=1 “沿着每一行”。
大pandas的devise者韦斯·麦金尼（Wes McKinney）过去一直密切关注金融数据。 把柱子看作是每日价格的股票名称和指数。 然后，您可以猜测这个财务数据的默认行为是什么（即axis=0 ）。 axis=1可以简单地认为是“另一个方向”。
例如，统计函数，如mean() ， sum() ， describe() ， count()所有默认为列明智，因为它是更有意义的做每个股票。 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，因为你可能只是想放弃当天的价格，而不是扔掉股票的所有价格。
同样，方括号索引也是指列，因为select股票而不是select一天更为常见。
我理解的最简单的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量，比如说一个平均值， axis = 0你将得到每一列的统计量。 因此，如果每个观测值都是一行，而每个variables都在一列中，则可以得到每个variables的平均值。 如果你设置axis = 1那么你会计算每行的统计。 在我们的例子中，你会得到所有variables的每个观察的均值（也许你想要相关的度量的平均值）。
axis = 0 ：by column = column-wise =沿着行
axis = 1 ：by row = row-wise =沿列
这些答案确实有助于解释这一点，但是对于一个非程序员（即像我这样第一次在数据科学课程中学习Python的人）来说，这仍然不够完美。 我仍然觉得对行和列使用术语“沿”或“对于每个”是混淆的。
对我来说更有意义的是这样说：
- 轴0将作用于每个列中的所有行
- 轴1将在每个行的所有列上执行
因此，轴0上的平均值将是每列中所有行的平均值，而轴1上的平均值将是每行中所有列的平均值。
最终，这和@ zhangxaochen和@Michael说的是一样的，但是对我来说更容易内化。
考虑到编程的轴是形状元组中的位置。 这里是一个例子：
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移除。
参考原始问题，dff形状是（1,2）。 使用轴= 1将形状更改为（1，）。
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)
给出的例子是在列==键的所有数据的总和。
这意味着它使用每个列的平均值，轴= 0会给你你的想法，但轴= 1给出
(0.626386+1.52325)/2 1.075
