np.sum()默认展平数组求和；axis=0按列聚合，axis=1按行聚合；keepdims=True保留维度避免广播错误；大数组需指定dtype防溢出或精度损失。
np.sum() 默认求和行为：不指定 axis 就 flatten
不传 axis 参数时，np.sum() 会先把整个数组展平成一维再求和，跟你想的“按行”或“按列”完全无关。这点容易误判，尤其刚从 pandas 转过来的人——pandas 的 sum() 默认是 axis=0（按列），但 NumPy 不是。
- 二维数组
a = np.array([[1,2],[3,4]])，np.sum(a)返回10，不是[4, 6]也不是[3, 7] - 想保留维度结构？必须显式写
axis，不能靠“默认” - 高维数组更危险：
np.sum(a_3d)会吞掉所有轴，只剩一个标量
axis=0 和 axis=1 到底对应哪一维？看索引方向
NumPy 的 axis 指的是“被压缩的轴”，不是“保留的轴”。axis=0 表示沿第 0 轴（行方向）操作，结果中该轴消失；对二维数组来说，就是“按列聚合”，即每列内部相加，输出长度为列数的一维数组。
-
np.sum(a, axis=0)→ 每列求和 →[4, 6]（原数组两列，结果两个数） -
np.sum(a, axis=1)→ 每行求和 →[3, 7]（原数组两行，结果两个数） - 记法建议：把数组想象成表格，
axis=0是“从上往下压扁”，axis=1是“从左往右压扁” - 三维数组别硬背：
a.shape == (2,3,4)时，axis=1压缩中间那个长度为 3 的轴，结果 shape 变成(2,4)
keepdims=True：避免维度塌缩导致广播失败
默认情况下，np.sum() 会删掉被聚合的轴，shape 改变。这在后续做广播运算（比如减去均值）时极易报错：ValueError: operands could not be broadcast together。
- 例如：
a = np.random.rand(4,5)，row_sums = np.sum(a, axis=1)得到 shape(4,)，无法直接a - row_sums - 加
keepdims=True：np.sum(a, axis=1, keepdims=True)输出 shape(4,1)，能正确广播 - 注意：
keepdims不影响数值，只保留被压缩轴的长度为 1 - 常见搭配：
a - np.mean(a, axis=1, keepdims=True)标准化每行，不会出维度错
性能与 dtype 注意：大数组求和可能溢出或变慢
np.sum() 默认用输入数组的 dtype 累加，整型数组（如 int8、uint16）容易因中间结果溢出得到错误值；浮点数则可能有精度损失或速度差异。
-
np.sum(np.array([200, 200], dtype=np.int8))返回-16（溢出），不是400 - 解决方法：显式指定
dtype参数，如np.sum(a, dtype=np.int64)或np.sum(a, dtype=np.float64) - 对 float32 数组，
dtype=float64虽稍慢但更准；对超大数组，可考虑np.add.reduce()（底层更轻量） - 注意：
np.sum()对 bool 数组等价于计数，但np.count_nonzero()更直白且略快
实际用的时候，axis 和 keepdims 这俩参数几乎总要一起琢磨，光调对结果还不行，得看后续怎么接——维度断了，后面全卡住。
