В numpy.sum() есть параметр, называемый keepdims. Что оно делает?

Ответ 1

@Ney @hpaulj правильно, вам нужно поэкспериментировать, но я подозреваю, что вы не понимаете, что суммирование для некоторых массивов может происходить по осям. Соблюдайте следующее:

>>> a
array([[0, 0, 0],
       [0, 1, 0],
       [0, 2, 0],
       [1, 0, 0],
       [1, 1, 0]])
>>> np.sum(a, keepdims=True)
array([[6]])
>>> np.sum(a, keepdims=False)
6
>>> np.sum(a, axis=1, keepdims=True)
array([[0],
       [1],
       [2],
       [1],
       [2]])
>>> np.sum(a, axis=1, keepdims=False)
array([0, 1, 2, 1, 2])
>>> np.sum(a, axis=0, keepdims=True)
array([[2, 4, 0]])
>>> np.sum(a, axis=0, keepdims=False)
array([2, 4, 0])

Вы заметите, что если вы не укажете ось (keepdims = True два примера), то числовой результат будет таким же, но keepdims = True вернул 2D массив с номером 6, тогда как второе воплощение вернуло скаляр. Аналогично, при суммировании вдоль axis 1 (по строкам), 2D массив возвращается снова, когда keepdims = True. Последний пример, вдоль axis 0 (keepdims = True столбцы), показывает аналогичную характеристику... размеры сохраняются, когда keepdims = True.
Изучение осей и их свойств имеет решающее значение для полного понимания мощности NumPy при работе с многомерными данными.

Ответ 2

Пример, показывающий keepdims в действии при работе с массивами более высокой размерности. Давайте посмотрим, как меняется форма массива, когда мы делаем различные сокращения:

import numpy as np
a = np.random.rand(2,3,4)
a.shape
# => (2, 3, 4)

a.sum(axis=0).shape
# => (3, 4)
# Simple sum over the first dimension, we "lose" that dimension 
# because we did an aggregation (sum) over it

a.sum(axis=0, keepdims=True).shape
# => (1, 3, 4)
# Same sum over the first dimension, but instead of "loosing" that 
# dimension, it becomes 1.

a.sum(axis=(0,2)).shape
# => (3,)
# Here we "lose" two dimensions

a.sum(axis=(0,2), keepdims=True).shape
# => (1, 3, 1)
# Here the two dimensions become 1 respectively