axis=0 表示压缩第0维（行方向），按列求和；axis=1 压缩第1维（列方向），按行求和；高维同理，负轴如-1指最后一维；sum()默认降维，keepdims=True可保留维度；含nan时用nansum避免结果为nan。
axis=0 是按列求和，不是按行
很多人看到 axis 就默认“0=行、1=列”，结果一用就错。NumPy 的 axis 指的是“要压缩掉的维度”：设 a.shape == (3, 4)，a.sum(axis=0) 会把第 0 维（即行方向）压掉，剩下形状为 (4,) —— 也就是每列加总，得到 4 个数。
-
a.sum(axis=0)→ 结果长度 = 原数组列数，每个值是该列所有元素之和 -
a.sum(axis=1)→ 结果长度 = 原数组行数，每个值是该行所有元素之和 - 三维数组如
a.shape == (2, 3, 4)，axis=1表示沿中间那维求和，结果为(2, 4)
sum() 默认对全部元素求和，不保留维度
直接写 a.sum() 得到一个标量，不是数组。如果后续要广播或拼接，这个行为常导致 shape 不匹配。
- 想保持维度（比如让结果仍是二维，只是某维长度为 1），得加
keepdims=True -
a.sum(axis=0, keepdims=True)返回形状为(1, 4)的二维数组，不是(4,) - 省略
keepdims时，NumPy 会“降维”，这是设计使然，不是 bug
遇到 nan 数据，sum() 默认结果是 nan
只要参与求和的切片里有一个 nan，np.sum() 就返回 nan，哪怕其他全是数字。这在处理真实数据时非常容易踩坑。
- 用
np.nansum()替代 — 它自动跳过nan，把其余数加起来 -
np.nansum(a, axis=1)对每行求和，该行有nan不影响其他行结果 - 注意：
np.nansum([np.nan, np.nan])返回0.0，不是nan，这点和np.nanmean()行为不同
高维数组用 axis 要小心索引越界
传入不存在的 axis 值，比如 a.shape == (5, 6) 却写 a.sum(axis=2)，会报 numpy.AxisError: axis 2 is out of bounds for array of dimension 2。
- 可用
a.ndim先查维度数，合法axis只能是0到a.ndim - 1（含） - 负轴如
axis=-1表示最后一维，安全些；axis=-1在二维里等价于axis=1，在三维里等价于axis=2 - 循环处理多个 axis 时，别硬写死数字，优先用
-1、-2这类相对索引
axis 的语义和维度压缩逻辑一旦记混，后续 reshape、broadcasting 都会连锁出错。最稳妥的方式是每次用前 print 一下 shape，再手算一遍压缩后该剩几个维度——这点花十秒，比 debug 十分钟强。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
