NumPy 的 shape 與 axis：sum(axis=0) 到底往哪裡壓

💡 先搞懂問題

虛構的「晴空咖啡」店長把 3 間分店、連續 4 天的拿鐵杯數放進一個 NumPy 陣列，印出 sales.shape 是 (3, 4)。他想知道「每一天三家店合計賣多少」，寫了 sales.sum(axis=0)，拿到 4 個數字，正確。隔週換同事接手，想算「每一家店四天合計」，心想「0 是第一個，應該就是一列一列加」，也寫了 axis=0，同樣拿到 4 個數字，就把它當成 3 家店的業績貼進報表。程式完全沒有報錯，因為 NumPy 只照你給的 axis 做事，它不知道你心裡想的是哪個方向。

新手在這個主題最常卡在三件事。第一是 axis 的方向感：axis=0 不是「對第 0 列做事」，而是「沿著第 0 軸把資料壓扁」，第 0 軸因此消失。第二是形狀的寫法：(3,)、(3, 1)、(1, 3) 看起來都是「3 個數」，在 NumPy 裡卻是三種不同的東西，scikit-learn 還會因此拒收你的資料。第三是 reshape(-1, 2) 這類寫法：-1 是多少、元素依什麼順序填進新形狀，不清楚就只能用猜的。

先把名詞對好。shape（形狀）是一個 tuple，依序寫出每一個軸（axis，也就是維度）的長度，(3, 4) 代表第 0 軸長 3、第 1 軸長 4；ndim 是軸的數量；size 是元素總數，等於 shape 裡所有數字相乘。sum、mean、max、argmax 這類彙總（reduction）函式的 axis 參數，指定「沿著哪一軸把一整排值合成一個值」，被指定的那一軸會從結果的 shape 裡消失。reshape 則只換排法，不增減元素。

生活比喻：蛋盒與倒進碗裡的蛋

想像蛋行老闆把 12 顆蛋排在一個 3 列、每列 4 格的蛋盒裡。客人問「每一直行有幾斤」，他就把每一直行的 3 顆蛋倒進同一個碗，最後桌上有 4 個碗；客人改問「每一橫列有幾斤」，他就把每一橫列的 4 顆蛋倒進一個碗，桌上只剩 3 個碗。不管哪一種倒法，被倒的那個方向都不見了：倒完直行，就沒有「第幾列」可說；倒完橫列，就沒有「第幾格」可說。同樣這 12 顆蛋，老闆也可以改裝成一排 12 格的長盒，或兩盒各 2 列 3 格，蛋本身一顆都沒變，只是盒子換了。

這個比喻有三個地方要小心。第一，桌上的 3 個碗看起來排成一直行，但 (3,) 是一維陣列，沒有「直的」或「橫的」，print 出來永遠是一排 [14 19 21]；真的要一個直行，得變成 (3, 1)，這正是 keepdims=True 的用途。第二，真的換蛋盒要把蛋一顆顆搬過去，reshape 通常只是換一張「怎麼解讀」的說明書，資料在記憶體裡沒動，回傳的是共用同一塊記憶體的 view。第三，「倒進碗」不一定是加總，也可以是平均（mean）、找最大（max），或回報「最大的那顆在第幾格」（argmax），但被壓掉的軸都一樣會消失。

🎮 互動實驗室一：axis 壓縮器

下面兩個陣列是晴空咖啡的拿鐵杯數（示意）：A 是 3 間分店 × 4 天，B 是把兩週疊起來的 2 週 × 3 間分店 × 4 天。選陣列、運算與 axis，左邊會用同一種顏色標出「會被合成同一個值」的格子，再一組一組播放壓縮過程；右邊同步顯示那一行 Python、結果的 shape 與 print 出來的樣子。勾選 keepdims 可以比較被壓掉的軸「消失」與「留下長度 1」的差別，選到不存在的軸會看到真的錯誤訊息。

import numpy as np
A = np.array([[3, 7, 2, 2],    # 分店 0 的 4 天杯數（示意，單位：十杯）
              [6, 2, 8, 3],    # 分店 1
              [3, 9, 5, 4]])   # 分店 2 → A.shape 是 (3, 4)
B = np.stack([A, [[4, 6, 4, 1],
                  [2, 8, 6, 5],
                  [6, 1, 8, 3]]])  # 第 0 週與第 1 週疊起來 → B.shape 是 (2, 3, 4)

🎮 互動實驗室二：reshape 排列實驗

從 x = np.arange(12) 出發，12 塊數字磚依序是 0 到 11。選新形狀的維度數，再替每一軸挑長度（可以挑 -1 讓 NumPy 自己算），或直接按下方的常見寫法。數字磚會飛到新位置：NumPy 預設照 C 順序（列優先，最右邊的軸變化最快）一格一格填進去。形狀不合法時，畫面會搖一下，並顯示 NumPy 實際丟出的錯誤訊息。2 維的結果可以勾選「對照 .T」，比較 reshape 與轉置排出來有什麼不同。

🎮 互動實驗室三：shape 判讀情境卡

每張卡給一小段程式，問最後那一行得到的 shape。先寫下原本的 shape，再判斷這一行屬於哪一類操作：彙總、索引、插入新軸、轉置、reshape 或攤平。選完會說明正解為什麼是它；選錯時會說明你選的那個 shape 是哪一種寫法才會得到。右邊的口訣會亮起這張卡用到的規則。

📘 原理補完

1. shape、ndim、size：先數有幾條軸

NumPy 文件把陣列的每一個維度稱為一條軸（axis），編號從 0 開始，由外往內。B.shape 是 (2, 3, 4)，代表第 0 軸長 2（兩週）、第 1 軸長 3（三間分店）、第 2 軸長 4（四天）。ndim 是 shape 的長度，也就是軸的數量；size 是所有長度相乘的元素總數 24；len(B) 只回報第 0 軸的長度 2。axis 也能用負數從右邊數，axis=-1 永遠是最後一軸，在不確定陣列有幾維的函式裡特別好用。

2. axis：被指定的軸會消失

sum、mean、max、min、argmax、std 這些彙總函式都遵守同一條規則：沿著 axis 指定的那一軸，把一整排值合成一個值，所以那一軸會從結果的 shape 中消失，其餘的軸維持原本的順序。把 shape 寫出來、劃掉被指定的那個數字，剩下的就是答案。A 是 (3, 4)，A.sum(axis=0) 劃掉 3 得 (4,)，A.sum(axis=1) 劃掉 4 得 (3,)。axis 也可以給 tuple 一次壓掉好幾軸，例如影像批次 (8, 3, 32, 32) 用 axis=(2, 3) 壓掉高與寬，得到每張圖每個通道的平均 (8, 3)。不給 axis（等於 axis=None）就是所有軸一起壓掉，結果是一個 shape 為 () 的純量。

argmax 是最容易看錯的一個。它回傳的不是最大值，而是最大值在那一軸上的位置（從 0 起算），遇到同樣大的值取第一個。不給 axis 時，NumPy 先把陣列攤平成一維再找，所以 A.argmax() 回傳 9，不是 (2, 1)；要換回列與欄得用 np.unravel_index(9, A.shape)。分類模型的 probs.argmax(axis=1) 是每一列（每一筆樣本）機率最高的類別編號，結果長度等於樣本數。

3. keepdims：把被壓掉的軸留成長度 1

有時候你希望壓完之後維度數不變，例如每一列的平均要拿回去和原陣列相減。keepdims=True 讓被壓掉的軸留下來、長度變成 1：A.sum(axis=1) 是 (3,)，加上 keepdims 變成 (3, 1)，一個直行。這個差別在下一步就看得出來：A - A.mean(axis=1, keepdims=True) 能讓每一列各自減掉自己的平均，A - A.mean(axis=1) 卻會因為 (3, 4) 與 (3,) 形狀對不上而丟出 ValueError，背後的規則就是廣播（broadcasting），在姊妹頁「NumPy 廣播」有完整的互動說明。

4. reshape、-1 與 C 順序

reshape 不改變元素，也不改變元素在記憶體中的先後，只改變「每一軸多長」的解讀方式，所以新舊 shape 的元素總數必須相同。填入新形狀的順序預設是 C 順序（列優先，row-major）：最右邊的軸變化最快，先填滿第 0 列的每一格，再換第 1 列。某一軸寫 -1，代表「其他軸決定後，這一軸自動算」，-1 只能出現一次，而且必須除得盡，否則會得到 cannot reshape array of size 12 into shape (5,newaxis) 這類 ValueError，訊息裡的 newaxis 就是你寫 -1 的那一軸。能不複製時，reshape 回傳的是 view，修改它會改到原陣列。

轉置 .T 也能把 (3, 4) 變成 (4, 3)，但做的事完全不同：它把軸的順序倒過來，原本的第 0 欄變成新的第 0 列，資料的相對位置跟著翻轉。考題常把兩者放在一起當干擾選項，看下圖就知道內容不一樣。

要把多維攤平成一維有三種寫法：reshape(-1)、ravel() 與 flatten()，結果的 shape 都一樣。差別在記憶體：flatten 一定複製一份新的；ravel 和 reshape 能不複製就回傳 view，例如對轉置後的陣列攤平就不得不複製。另外別把 reshape 和 ndarray.resize 搞混，後者會就地改形狀，而且允許增減元素。

5. 一維 (n,)、直行 (n, 1)、橫列 (1, n)

這三種形狀都裝著 n 個數字，卻是三種東西。(n,) 只有一條軸，沒有「直」或「橫」可言，.T 對它沒有任何效果；(n, 1) 是 n 列 1 欄的直行；(1, n) 是 1 列 n 欄的橫列。scikit-learn 的特徵矩陣 X 一律要求二維 (樣本數, 特徵數)，就算只有一個特徵也一樣；目標 y 則通常是一維。把一維的身高陣列直接丟進 LinearRegression().fit，會得到 ValueError: Expected 2D array, got 1D array instead，訊息後半段直接建議：只有一個特徵用 reshape(-1, 1)，只有一筆樣本用 reshape(1, -1)。兩者 shape 不同，意義也完全相反。

6. 索引會不會讓軸消失

中括號裡每一個位置對應一條軸。放整數，那一軸就被「選定」而消失；放切片（:、0:1、::2），那一軸保留，只是長度可能變短；放 list 或陣列（花式索引，advanced indexing），那一軸也保留，長度等於 list 的長度；放 None（也就是 np.newaxis），就在那個位置插入一條長度 1 的新軸。沒寫到的後面幾軸視同 :，所以 X[0] 等於 X[0, :]。

7. 一張表與四個步驟

把前面的規則整理成一張表。範例統一假設 X.shape 是 (4, 3)，每一列的結果都用 python3 實際執行確認過。

1. 寫下原本的 shape，在每個數字底下標上 axis 編號（0、1、2…，負數從右邊數）。
2. 判斷這一行屬於彙總、索引、reshape 或轉置，套用上表的規則，寫出新的 shape。
3. 有好幾行就一行一行往下推，不要在腦中一次跳到最後。
4. 最後檢查合理性：reshape 前後元素總數相同；要餵給 scikit-learn 的 X 是二維、LSTM 是三維 (批次, 時間步, 特徵)、PyTorch 的 Conv2d 是四維 (N, C, H, W)。

8. 完整範例

第一段把 axis、keepdims、argmax 的規則一次跑過；第二段是 reshape、np.newaxis 與 scikit-learn 的二維要求；第三段是深度學習常見的多維形狀。註解裡的輸出都是 NumPy 2.4、scikit-learn 1.8 實際執行的結果。

import numpy as np
A = np.array([[3, 7, 2, 2],
              [6, 2, 8, 3],
              [3, 9, 5, 4]])           # 3 間分店 × 4 天（示意）
print(A.shape, A.ndim, A.size)        # (3, 4) 2 12
print(A.sum(axis=0))                  # 劃掉第 0 軸 → (4,)：[12 18 15  9]
print(A.sum(axis=1))                  # 劃掉第 1 軸 → (3,)：[14 19 21]
print(A.sum(axis=-1))                 # -1 是最後一軸，這裡等於 axis=1
print(A.mean(axis=1, keepdims=True).shape)  # (3, 1)：被壓的軸留下長度 1
print(A.argmax(axis=1))               # 每列最大值的位置 [1 2 1]
print(A.argmax())                     # 不給 axis：攤平後的位置 9，不是 (2, 1)
print(np.unravel_index(A.argmax(), A.shape))  # 換回 (列, 欄)：(np.int64(2), np.int64(1))

import numpy as np
from sklearn.linear_model import LinearRegression
x = np.arange(12)
print(x.reshape(3, 4)[1])            # C 順序：第 1 列是 [4 5 6 7]
print(x.reshape(-1, 2).shape)        # -1 = 12 ÷ 2 = 6 → (6, 2)
print(x.reshape(3, 4).T[0])          # 轉置後的第 0 列是原本的第 0 欄 [0 4 8]
print(np.shares_memory(x, x.reshape(3, 4)))  # True：reshape 回傳 view
h = np.array([150., 162., 171., 158.])   # 4 位顧客的身高（示意）
w = np.array([48., 55., 66., 52.])       # 體重（示意）
X = h.reshape(-1, 1)                 # (4,) → (4, 1)：4 個樣本、1 個特徵
print(X.shape, h[:, np.newaxis].shape)   # (4, 1) (4, 1)：兩種寫法相同
model = LinearRegression().fit(X, w) # X 要二維，y 維持一維
print(model.predict([[165.]]).shape) # 預測一筆也要包成二維 → (1,)

import numpy as np
imgs = np.zeros((8, 3, 32, 32))      # 8 張影像（批次, 通道, 高, 寬）
print(imgs[0].shape)                 # 整數索引讓第 0 軸消失 → (3, 32, 32)
print(imgs[:1].shape)                # 切片保留該軸 → (1, 3, 32, 32)
print(imgs.mean(axis=(2, 3)).shape)  # 一次壓掉高與寬 → (8, 3)
X = np.zeros((100, 3))
print(X[:, 0].shape, X[:, [0]].shape, X[:, 0:1].shape)  # (100,) (100, 1) (100, 1)
print(X.T.shape, X[:, 0].T.shape)    # (3, 100)；一維轉置沒有效果 (100,)
print(X.flatten().shape)             # 攤平成一維 (300,)，flatten 一定複製

9. pandas 的 axis 與 groupby

pandas 沿用同一套 axis 觀念：df.sum() 預設 axis=0，每一欄加總、得到以欄名為索引的 Series；df.sum(axis=1)（也可寫 axis="columns"）是每一列加總。容易混淆的是 df.drop("a", axis=1)：這裡的 axis 指「要刪的標籤在哪一條軸上」，所以 axis=1 是刪掉欄，和彙總函式「沿著哪一軸壓」的讀法不同，建議直接寫 drop(columns="a") 避免誤會。groupby 也可以看成一種壓縮：它不是把整條軸壓成一個值，而是依某一欄的鍵把列分組，每組壓成一列，詳細寫法在地圖的「groupby 與彙總」節點。

容易寫錯或考錯的地方

axis=0 的結果長度等於欄數：(3, 4) 對 axis=0 彙總得到 4 個值。干擾選項常把 axis=0 說成「每一列的總和」，或把 (4,) 寫成 (3,)。

argmax 回傳位置不是值：不給 axis 時回傳攤平後的位置。選項裡出現「最大值本身」或 (列, 欄) tuple 的，多半是陷阱。

整數索引與切片：X[:, -1, :] 少一軸，X[:, -1:, :] 保留長度 1 的軸。LSTM 取最後一個時間步的題目最常考這一對。

一維轉置：v.T 對 (n,) 沒有效果；想得到直行要用 v[:, None] 或 v.reshape(-1, 1)。

reshape(-1, 1) 與 reshape(1, -1)：前者是 n 筆樣本、1 個特徵，後者是 1 筆樣本、n 個特徵。只有一個特徵的 scikit-learn 題目選前者。

reshape 不是轉置：形狀相同不代表內容相同，題目若問「第 0 列是什麼」，要分清楚是照順序重填還是列欄互換。

版本差異：NumPy 2 在互動環境顯示純量時會帶型別，例如 A.sum() 顯示 np.int64(54)，print 則仍印出 54。axis 超出範圍時丟出 numpy.exceptions.AxisError，它同時是 ValueError 與 IndexError 的子類別。argmax 與 argmin 從 NumPy 1.22 起才支援 keepdims。

✅ 自我檢測

6 題原創的程式閱讀題，每一題的輸出都用 python3 實際執行確認過。選完立即顯示對錯與解析，全部作答後會出現總分。目前得分：0 / 6

🎯 重點整理

1. shape 的每個數字是一條軸的長度，由左到右是 axis 0、1、2，也能用 -1 從最後一軸數起。
2. 彙總函式的 axis：把 shape 裡那個數字劃掉，就是結果的 shape；axis=None 得到純量 ()。
3. keepdims=True 讓被壓掉的軸留下長度 1，方便和原陣列繼續運算。
4. argmax 回傳位置；不給 axis 時是攤平後的位置。
5. reshape 總數不變、照 C 順序重填，-1 自動算且只能一個；它和 .T 形狀可能相同但內容不同。
6. (n,)、(n, 1)、(1, n) 是三種東西；scikit-learn 的 X 要二維，單一特徵用 reshape(-1, 1)。
7. 索引：整數讓軸消失，切片與 list 保留，None 插入長度 1。