Python中用max()、sum()等函数处理矩阵时，axis参数的作用

a = array([[ 1., 2., 3., 4.], [ 5., 6., 7., 8.], [ 9., 10., 11., 12.]]) np.max(a, axis=1) #取每行的最大值 >>>array([ 4., 8., 12.]) np.max(a, axis=0) #取每列的最大值 >>>array([ 9., 10., 11., 12.])

sum()

a = np.array([[ 1., 2., 3., 4.], [ 5., 6., 7., 8.], [ 9., 10., 11., 12.]]) cal = a.sum(axis=0) #每列各自求和 cal = [15,18,21,24] a/cal.reshape(1,4) #a是3*4维，cal是1*4维，a每列除以cal那列的值

python中矩阵与向量的加减乘除运算（broadcasting（广播）机制） 若与矩阵参与运算的对象是一个行/列维度相同，另一个维度为1的向量，则不同的维度将按复制法展开（将低维的那个对象展开至高维），然后逐个元素加减乘除（注意乘法也可以） 所以，上面的那种不同维度矩阵相除，包括向量和常数运算都是可以的 乘法还有矩阵乘法，区别于上方