当变量维数加大时很难想象是怎样按不同维度求和的，高清楚一个，其他的应该就很清楚了，什么都不说了，上例子，例子一看便明白…..
a=range(27)
a=np.array(a)
a=np.reshape(a,[3,3,3])
输出a的结果是：
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
我们来看看 aa=np.sum(a,-1)的输出：
在Python编程中，特别是在数据分析和科学计算领域，处理多维数据是常见的任务。NumPy库提供了强大的功能来操作数组，包括按不同维度进行求和、求最值和计算均值。这里我们将深入探讨如何利用NumPy实现这些操作，并通过一个具体的实例来说明。
我们需要了解NumPy中的数组（Array）和维度（Dimension）。数组是NumPy的基础数据结构，它允许我们存储和操作多维数据。维度是指数组的轴，决定了数组在每个方向上的大小。例如，一个3x3的二维数组有两个维度：行和列。对于更高维的数组，如3x3x3的三维数组，它有三个维度。
在给定的实例中，我们创建了一个3x3x3的三维数组`a`，其元素是0到26的整数序列。初始化这个数组的代码如下：
```python
import numpy as np
a = range(27)
a = np.array(a)
a = np.reshape(a, [3, 3, 3])
```
数组`a`的形状为(3, 3, 3)，这意味着它有三个维度，每个维度的大小分别为3。
接下来，我们将按不同维度进行求和：
- `np.sum(a, -1)`：这里的-1表示沿最后一个维度进行求和。对于我们的3x3x3数组，这将分别对每一层的3x3矩阵进行求和，得到一个新的2x3的二维数组。
- `np.sum(a, 2)`：这与`np.sum(a, -1)`的结果相同，因为在这里2也是指最后一个维度。
- `np.sum(a, 0)`：沿第一个维度（行）进行求和，这将返回一个新的3x3的一维数组，每一列的元素是原数组对应列所有元素的和。
- `np.sum(a, 1)`：沿第二个维度（列）进行求和，返回一个新的3x1的一维数组，每一行的元素是原数组对应行所有元素的和。
同样，我们也可以按不同维度求最小值（`np.min()`）和最大值（`np.max()`），以及计算均值（`np.mean()`）。例如：
```python
# 沿最后一个维度求最小值和最大值
min_along_last_dim = np.min(a, -1)
max_along_last_dim = np.max(a, -1)
# 沿第一个维度求最小值和最大值
min_along_first_dim = np.min(a, 0)
max_along_first_dim = np.max(a, 0)
# 计算每一层的均值
mean_along_last_dim = np.mean(a, -1)
```
理解这些操作对于处理多维数据至关重要，特别是当你需要聚合或汇总数据时。NumPy的这些函数极大地简化了这一过程，使得我们可以快速高效地完成各种数学运算。
除了上述基本操作，NumPy还提供了许多其他高级功能，比如广播机制（Broadcasting）、索引选择、切片以及各种数学和统计函数，这些都是在Python中进行数据分析和科学计算的必备工具。
在实际应用中，我们可能会遇到包含缺失值（NaN）的情况。NumPy提供了一些处理Nan的方法，如`np.nanmean()`可以计算忽略Nan值的平均值。在处理大型数据集时，了解如何有效地操作数组的维度并处理异常值是提高代码效率和准确性的关键。
掌握NumPy的数组操作和维度处理能力是Python程序员在进行数据分析和科学计算时的基本技能。通过实例学习和实践，我们可以更好地理解和利用这些功能，从而解决复杂的数据问题。
