1. 从一次数据清洗的“翻车”说起为什么你需要搞懂这七个函数前几天帮一个做量化分析的朋友处理一组股票分钟级数据他需要快速找出每只股票在当天交易时段内的最高价、最低价并定位这些极值出现的时间点最后还要计算每只股票的总成交额。听起来是个简单的任务对吧我一开始也是这么想的顺手就写了个循环对每只股票的数据数组用max()和min()去遍历。结果面对几百只股票、上万条分钟数据脚本跑了快十分钟还没结束朋友在旁边等得直皱眉。那一刻我意识到问题不在于算法复杂而在于工具没选对。在Python的数据科学栈里尤其是NumPy的世界里“写循环”往往是性能瓶颈的第一个信号。我立刻停掉脚本把循环全部替换成了NumPy的向量化操作np.max(axis0),np.argmin(axis1)再加上一个np.sum()。同样的计算眨眼间就完成了耗时不到一秒。朋友看着刷新出来的结果说了句“这才是专业工具该有的样子。”这个故事引出了今天要彻底讲清楚的七个NumPy函数np.max(),np.argmax(),np.maximum(),np.min(),np.argmin(),np.minimum(),np.sum()。它们被并称为NumPy的“归约函数”或“元素级比较函数”是处理数值型数组的基石。很多初学者觉得它们简单看一眼文档就过了但实际用起来尤其是在多维数组、轴axis操作、广播broadcasting机制以及处理缺失值NaN时到处都是坑。如果你满足于用Python原生的max()和sum()那你可能永远无法体会NumPy向量化计算带来的百倍甚至千倍的性能提升。更重要的是不理解这些函数在轴向上的细微差别在处理图像数据高度、宽度、通道、时间序列样本、时间步、特征或者任何多维张量时你很容易得到形状错误或者完全不符合预期的结果。本文将不仅告诉你每个函数怎么用更会深入它们的设计逻辑、性能差异和使用禁忌让你真正从“会用”到“精通”。2. 核心三兄弟求最值与定位np.max/min(),np.argmax/argmin()这是最常被用到的一组函数它们的核心任务是从一个数组里找出极值。但“找出来”这个动作在NumPy的语境下因为有了“轴”的概念变得需要仔细斟酌。2.1np.max()与np.min()不仅仅是找到那个数np.max(a, axisNone, keepdimsFalse)和np.min()的函数签名完全一致。它们的核心作用是沿指定轴计算最大值/最小值并返回一个降维后的新数组。理解“沿指定轴”和“降维”是关键。轴axis的直观理解 对于一个二维数组矩阵我们可以把它想象成一个Excel表格。axis0沿着行的方向垂直向下对每一列进行操作。可以理解为“跨行求列统计”。axis1沿着列的方向水平向右对每一行进行操作。可以理解为“跨列求行统计”。import numpy as np # 创建一个3x4的二维数组 arr np.array([[1, 2, 8, 4], [9, 5, 3, 7], [2, 6, 1, 5]]) print(原始数组:\n, arr) print(形状:, arr.shape) # (3, 4) # 不指定axis返回全局最大值/最小值 print(全局最大值 np.max(arr):, np.max(arr)) # 输出9 print(全局最小值 np.min(arr):, np.min(arr)) # 输出1 # axis0: 沿着第0轴行方向压缩对每一列求最大值 # 结果数组的形状是 (4,)因为3行被压缩掉了。 col_max np.max(arr, axis0) print(\n每列的最大值 np.max(arr, axis0):, col_max) # 输出[9 6 8 7] # 计算过程第一列 max(1,9,2)9第二列 max(2,5,6)6第三列 max(8,3,1)8第四列 max(4,7,5)7 # axis1: 沿着第1轴列方向压缩对每一行求最大值 # 结果数组的形状是 (3,)因为4列被压缩掉了。 row_max np.max(arr, axis1) print(每行的最大值 np.max(arr, axis1):, row_max) # 输出[8 9 6] # 计算过程第一行 max(1,2,8,4)8第二行 max(9,5,3,7)9第三行 max(2,6,1,5)6keepdims参数维持维度信息的神器这是一个极易被忽略但极其重要的参数。默认keepdimsFalse意味着执行归约操作后被操作的轴会消失维度从n降到1再被移除。但有时我们需要保持数组的维度以便进行后续的广播运算。# 假设我们要计算每个数据点与其所在行最大值的差值 arr np.array([[1, 2, 8], [9, 5, 3]]) # 错误做法直接相减形状不匹配会报错 # diff arr - np.max(arr, axis1) # 错误arr形状(2,3)max结果形状(2,) # 正确做法使用 keepdimsTrue row_max_keep np.max(arr, axis1, keepdimsTrue) print(row_max (keepdimsFalse):, np.max(arr, axis1)) # 形状 (2,) print(row_max (keepdimsTrue):\n, row_max_keep) # 形状 (2, 1) print(row_max_keep的形状:, row_max_keep.shape) # 现在可以广播相减了 diff arr - row_max_keep print(每个元素减去其所在行的最大值:\n, diff) # 输出 # [[-7 -6 0] # [ 0 -4 -6]]注意在深度学习框架如PyTorch, TensorFlow中类似的归约操作也几乎都提供了keepdim或keepdims参数其设计思路一脉相承。养成使用它的习惯能避免很多形状不匹配的错误。2.2np.argmax()与np.argmin()找到“位置”比找到“值”更重要如果说max/min告诉你考最高分是多少那么argmax/argmin就告诉你考最高分的是哪个学生。它们返回的是沿指定轴的最大值/最小值的索引。arr np.array([[1, 2, 8, 4], [9, 5, 3, 7], [2, 6, 1, 5]]) # 全局最大值的索引将数组展平后的一维索引 print(全局最大值索引 np.argmax(arr):, np.argmax(arr)) # 输出4 # 因为展平后数组为 [1,2,8,4,9,5,3,7,2,6,1,5]最大值9在索引4的位置 # 每列最大值的索引行索引 col_argmax np.argmax(arr, axis0) print(每列最大值所在的**行**索引 np.argmax(arr, axis0):, col_argmax) # 输出[1 2 0 1] # 解释第0列最大值9在第1行第1列最大值6在第2行第2列最大值8在第0行第3列最大值7在第1行。 # 每行最大值的索引列索引 row_argmax np.argmax(arr, axis1) print(每行最大值所在的**列**索引 np.argmax(arr, axis1):, row_argmax) # 输出[2 0 1] # 解释第0行最大值8在第2列第1行最大值9在第0列第2行最大值6在第1列。一个经典应用场景从One-hot编码中获取类别标签在分类任务中神经网络的输出通常是每个类别的概率分布如softmax后的结果形状为(batch_size, num_classes)。我们需要得到每个样本预测的类别即概率最大的那个索引。# 模拟一个批量大小为3共5个类别的网络输出概率 batch_probabilities np.array([[0.1, 0.2, 0.05, 0.6, 0.05], [0.7, 0.1, 0.1, 0.05, 0.05], [0.05, 0.8, 0.1, 0.03, 0.02]]) print(网络输出概率形状: 3x5:\n, batch_probabilities) # 我们需要的是每行每个样本最大概率的列索引类别编号 predicted_classes np.argmax(batch_probabilities, axis1) print(预测的类别索引:, predicted_classes) # 输出[3 0 1] # 样本0预测为第3类样本1预测为第0类样本2预测为第1类。实操心得argmax返回的是第一个遇到的最值索引当数组中存在多个相同的最大值或最小值时argmax和argmin默认返回第一个遇到的索引。这是一个重要的边界条件。arr np.array([2, 5, 5, 1, 5]) print(数组:, arr) print(np.argmax(arr):, np.argmax(arr)) # 输出1而不是2或4 print(np.argmin(arr):, np.argmin(arr)) # 输出3如果你的业务逻辑要求获取所有最值的位置你就不能直接用argmax而需要结合布尔索引np.where(arr np.max(arr))。3. 元素级的较量np.maximum()与np.minimum()这组函数与前两组有本质区别。np.maximum(x1, x2, /, outNone, *, whereTrue, ...)不是从一个数组里找最大值而是对两个数组进行逐元素比较取每个位置上较大的那个值。np.minimum同理。它执行的是元素级element-wise操作不进行归约输出数组的形状由输入数组的广播规则决定。3.1 基础用法与广播机制# 最基本的逐元素比较 a np.array([1, 5, 3]) b np.array([2, 3, 6]) result np.maximum(a, b) print(a:, a) print(b:, b) print(np.maximum(a, b):, result) # 输出[2 5 6] # 计算过程max(1,2)2; max(5,3)5; max(3,6)6 # 与单个数值比较广播的典型应用 arr np.array([[-1, 5, -3], [4, -2, 0]]) clipped np.maximum(arr, 0) # 将数组中所有小于0的值截断clip为0 print(原始数组:\n, arr) print(经过 np.maximum(arr, 0) ReLU激活后:\n, clipped) # 输出 # [[0 5 0] # [4 0 0]] # 这其实就是深度学习ReLU激活函数的朴素实现。广播Broadcasting是理解maximum/minimum威力的关键。当两个数组形状不同时NumPy会尝试通过广播机制将它们扩展为兼容的形状然后再进行逐元素操作。# 示例一个2x3的矩阵与一个长度为3的行向量比较 matrix np.array([[10, 20, 30], [40, 50, 60]]) row_vector np.array([25, 15, 35]) # 形状 (3,) # 广播发生row_vector 被“复制”到与 matrix 行数匹配 # 相当于变成了 [[25,15,35], [25,15,35]]再与 matrix 逐元素比较 result np.maximum(matrix, row_vector) print(矩阵:\n, matrix) print(行向量:, row_vector) print(逐元素取大值:\n, result) # 输出 # [[25 20 35] # [40 50 60]] # 计算过程 # 第一行max(10,25)25; max(20,15)20; max(30,35)35 # 第二行max(40,25)40; max(50,15)50; max(60,35)603.2 高级应用实现自定义的上下限截断Clipping虽然NumPy提供了专门的np.clip()函数但用maximum和minimum组合可以实现同样的功能并且逻辑更清晰。def my_clip(arr, min_val, max_val): 手动实现数组范围截断将元素限制在[min_val, max_val]区间内 # 先确保不低于下限 temp np.maximum(arr, min_val) # 再确保不高于上限 result np.minimum(temp, max_val) return result data np.array([1, 5, 10, 15, 20]) clipped_data my_clip(data, 5, 15) print(原始数据:, data) print(截断到 [5, 15] 后:, clipped_data) # 输出[ 5 5 10 15 15]一个图像处理的真实案例融合两张图片的亮部假设我们有两张同一场景不同曝光的照片想合成一张高动态范围HDR效果的图片一个简单策略是取每张图片在每个像素点上较亮的值。# 模拟两张灰度图片像素值范围0-255 # 假设image1整体偏暗但高光细节好image2整体偏亮但暗部细节好 height, width 100, 100 image1 np.random.randint(0, 180, (height, width)).astype(np.float32) # 偏暗 image2 np.random.randint(80, 255, (height, width)).astype(np.float32) # 偏亮 # 简单的“取亮”融合 fused_image np.maximum(image1, image2) # 此时fused_image在每个像素位置都保留了两张图中更亮的那一个值 # 这只是一个非常初级的融合策略真实的HDR算法要复杂得多。4. 基石中的基石np.sum()的深度剖析np.sum()可能是NumPy中使用频率最高的函数之一。它的基本功能是求和但结合axis,keepdims,dtype等参数能演变出无数种用法。4.1 轴向求和与维度理解arr np.array([[1, 2, 3], [4, 5, 6]]) print(二维数组:\n, arr) print(形状:, arr.shape) # (2, 3) # 全局求和 print(np.sum(arr):, np.sum(arr)) # 12...6 21 # 沿axis0求和跨行对列求和 sum_axis0 np.sum(arr, axis0) print(沿axis0求和 (跨行列和):, sum_axis0) # [5 7 9] print(结果形状:, sum_axis0.shape) # (3,) # 计算第一列 145第二列 257第三列 369 # 沿axis1求和跨列对行求和 sum_axis1 np.sum(arr, axis1) print(沿axis1求和 (跨列行和):, sum_axis1) # [6 15] print(结果形状:, sum_axis1.shape) # (2,) # 计算第一行 1236第二行 45615 # 同时沿多个轴求和 sum_axis01 np.sum(arr, axis(0, 1)) # 等价于全局求和 print(同时沿axis0和1求和:, sum_axis01) # 214.2dtype参数防止溢出与精度控制这是np.sum()一个至关重要但常被忽视的参数。NumPy数组有固定的数据类型dtype如int32,float64。在进行求和时如果中间结果超过了该数据类型能表示的范围就会发生溢出对于整数或精度损失对于浮点数。# 整数溢出案例 large_int_arr np.ones(1000000, dtypenp.int16) * 30000 # 每个元素是30000100万个这样的数总和是300亿远超int16的范围(-32768 ~ 32767) try: wrong_sum np.sum(large_int_arr) # 使用默认的输入数组dtypeint16进行计算 print(使用int16 dtype的求和结果溢出:, wrong_sum) # 会得到一个错误的值 except Exception as e: print(可能出错:, e) # 正确做法指定一个足够大的输出数据类型 correct_sum np.sum(large_int_arr, dtypenp.int64) # 或者 np.float64 print(指定dtypenp.int64的求和结果:, correct_sum) # 浮点数精度案例 float_arr np.full(1000000, 0.1, dtypenp.float32) # 单精度浮点数 sum_float32 np.sum(float_arr) sum_float64 np.sum(float_arr, dtypenp.float64) # 在累加过程中使用双精度 print(使用float32累加:, sum_float32) print(使用float64累加:, sum_float64) print(理论值应为:, 0.1 * 1000000) # 你会发现 sum_float64 的结果更接近理论值因为双精度减少了累加过程中的舍入误差。重要经验在处理大规模数据求和时尤其是整数数组养成习惯指定dtypenp.float64或足够大的整数类型可以避免许多隐蔽的数值计算错误。对于金融、科学计算等领域这是必须遵守的准则。4.3where参数条件求和的利器从NumPy 1.20版本开始np.sum()增加了where参数允许你只对满足条件的元素进行求和这比先进行布尔索引再求和更高效、更优雅。arr np.array([1, -2, 3, -4, 5, 6]) # 传统方法布尔索引 positive_sum_old np.sum(arr[arr 0]) print(传统方法正数和:, positive_sum_old) # 135615 # 新方法使用 where 参数 positive_sum_new np.sum(arr, wherearr 0) print(使用where参数正数和:, positive_sum_new) # 15 # 它更强大的地方在于处理多维数组和复杂条件 matrix np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 求矩阵中所有大于3且小于8的元素之和 conditional_sum np.sum(matrix, where(matrix 3) (matrix 8)) print(矩阵中大于3且小于8的元素和:, conditional_sum) # 456722使用where参数NumPy在内部进行优化避免了创建中间布尔数组的开销对于大型数组性能提升明显。5. 性能对比与实战避坑指南知道怎么用只是第一步知道什么时候用哪个以及如何避免踩坑才是进阶的关键。5.1 向量化操作 vs Python循环性能天壤之别让我们用数据量化一下性能差异。我们将对一个包含1000万个随机数的数组求最大值和总和。import numpy as np import time # 生成测试数据 data np.random.randn(10_000_000) # 1000万个随机数 print(数据量1000万浮点数) # 方法1: 使用Python内置的max和sum在列表上 py_list data.tolist() start time.time() py_max max(py_list) py_sum sum(py_list) py_time time.time() - start print(fPython内置函数耗时: {py_time:.4f} 秒) # 方法2: 使用NumPy的向量化函数 start time.time() np_max np.max(data) np_sum np.sum(data) np_time time.time() - start print(fNumPy向量化函数耗时: {np_time:.4f} 秒) print(fNumPy比Python快 {py_time / np_time:.1f} 倍) print(结果一致性检查 - 最大值:, np.allclose(py_max, np_max)) print(结果一致性检查 - 总和:, np.allclose(py_sum, np_sum))在我的测试环境中NumPy版本通常比纯Python循环快50到100倍以上。这个差距随着数据量的增大而急剧扩大。核心原因在于NumPy的核心算法是用C语言实现的并且在内存中连续存储数据能够充分利用现代CPU的SIMD单指令多数据流指令集进行并行计算。而Python的循环是解释执行的每个操作都有巨大的开销。避坑指南1对NumPy数组永远不要用Python的max()/min()/sum()直接对NumPy数组调用Python内置函数首先会导致数组被隐式转换为Python列表如果可能或者产生非预期行为性能损失巨大。务必使用np.max(),np.sum()等。5.2 处理NaN值沉默的“杀手”NaNNot a Number是浮点数计算中一个特殊值表示未定义或不可表示的结果。NumPy的归约函数默认行为是遇到NaN时整个计算结果也会是NaN。arr_with_nan np.array([1.0, 2.0, np.nan, 4.0, 5.0]) print(包含NaN的数组:, arr_with_nan) print(np.sum(arr_with_nan):, np.sum(arr_with_nan)) # 输出nan print(np.max(arr_with_nan):, np.max(arr_with_nan)) # 输出nan print(np.min(arr_with_nan):, np.min(arr_with_nan)) # 输出nan这常常导致数据处理流程意外中断。为了解决这个问题NumPy提供了以nan开头的特殊函数print(np.nansum(arr_with_nan):, np.nansum(arr_with_nan)) # 忽略NaN求和124512.0 print(np.nanmax(arr_with_nan):, np.nanmax(arr_with_nan)) # 忽略NaN求最大值5.0 print(np.nanmin(arr_with_nan):, np.nanmin(arr_with_nan)) # 忽略NaN求最小值1.0 print(np.nanargmax(arr_with_nan):, np.nanargmax(arr_with_nan)) # 忽略NaN的最大值索引4避坑指南2处理真实数据尤其是从文件读取的时先检查是否存在NaN或直接使用np.nan*系列函数。可以使用np.isnan(arr).any()来检查。5.3 轴axis参数的“负索引”与高维数组对于二维数组axis0和axis1还算直观。但对于三维及以上的高维数组例如图像数据(高度宽度通道)或批量时间序列(批量大小时间步长特征数)轴的方向就容易混乱。这时可以使用负索引来从后往前指定轴。# 创建一个3维数组模拟一个批量大小为23x4像素RGB三通道的图片数据 # 形状(batch_size, height, width, channels) - (2, 3, 4, 3) image_batch np.random.randint(0, 256, size(2, 3, 4, 3), dtypenp.uint8) print(图像批次形状:, image_batch.shape) # (2, 3, 4, 3) # 需求1计算每张图片所有像素在R通道上的平均值 # 我们需要对每张图片的高度(height)和宽度(width)求和即压缩 axis1 和 axis2 # 方法A分别指定两个轴 mean_r_per_image_a np.mean(image_batch[..., 0], axis(1, 2)) # ... 是省略号表示所有前面的维度 print(每张图片R通道均值方法A:, mean_r_per_image_a.shape) # (2,) # 方法B使用负索引从最后一个维度往前数。通道是axis-1宽度是axis-2高度是axis-3。 # 对高度和宽度求和就是 axis(-3, -2) mean_r_per_image_b np.mean(image_batch[..., 0], axis(-3, -2)) print(每张图片R通道均值方法B:, mean_r_per_image_b.shape) # (2,) # 需求2计算所有图片、所有像素的每个通道的总和 # 即压缩前三个轴 (batch, height, width)保留通道轴 (axis-1) sum_per_channel np.sum(image_batch, axis(0, 1, 2)) # 等价于 axis(0, 1, 2) print(所有图片各通道像素总和:, sum_per_channel.shape) # (3,)避坑指南3在处理高维数组时画一个维度的草图或者使用负索引来指代“最后几个轴”可以让代码更清晰、更不容易出错。5.4initial参数求和的起点np.sum()还有一个initial参数用于指定求和的初始值。这在某些场景下非常有用比如处理空数组。empty_arr np.array([]) try: print(np.sum(empty_arr)) # 对空数组求和默认返回0.0对于浮点类型 except Exception as e: print(e) # 但如果你希望空数组的和是一个特定的值比如在计算连乘的对数似然时空集的和应该是0加性单位元 # 或者你想确保结果从一个基数开始累加 arr np.array([10, 20, 30]) print(从100开始累加:, np.sum(arr, initial100)) # 输出100 102030 160这个参数在函数式编程或特定数学场景下能提供更精确的控制。6. 综合实战用这七个函数解决一个真实问题假设你是一家电商公司的数据分析师你有一份销售数据是一个三维数组sales_data形状为(产品类别数 月份数 地区数)例如(5, 12, 10)表示5个品类、12个月、10个地区的销售额。你的任务是找出全年销售额最高的单个“品类-月份-地区”组合及其销售额和具体位置。找出每个品类在哪个地区全年12个月加总销售额最低。计算每个地区所有品类在各个月份的销售额总和。为了制作热力图需要将每个“品类-月份”组合的数据与全年的月平均销售额进行比较生成一个突出显示高于平均月份的数据矩阵。让我们一步步用NumPy函数来解决。import numpy as np # 1. 生成模拟数据 np.random.seed(42) # 确保结果可复现 n_categories 5 n_months 12 n_regions 10 sales_data np.random.randint(1000, 50000, size(n_categories, n_months, n_regions)).astype(np.float32) # 随机插入一些NaN模拟数据缺失 nan_mask np.random.rand(*sales_data.shape) 0.01 # 大约1%的数据为NaN sales_data[nan_mask] np.nan print(f销售数据形状: {sales_data.shape}) # (5, 12, 10) # 任务1: 找出全年销售额最高的单个组合忽略NaN # 使用 nanmax 避免NaN影响再使用 unravel_index 将一维索引转换为多维索引 max_value np.nanmax(sales_data) print(f\n1. 全年最高单笔销售额: {max_value:.2f}) # 找到这个最大值在所有维度中的位置 flat_index np.nanargmax(sales_data) # 展平后的一维索引 cat_idx, month_idx, region_idx np.unravel_index(flat_index, sales_data.shape) print(f 位置: 品类[{cat_idx}], 月份[{month_idx1}], 地区[{region_idx}]) # 任务2: 找出每个品类在哪个地区全年销售额最低 # 步骤a) 对月份轴(axis1)求和得到每个品类-地区的全年总额形状(5,10) # b) 对每个品类axis0的每个元素找总额最小的地区axis1的方向 yearly_sales_per_cat_region np.nansum(sales_data, axis1) # 形状 (5, 10) print(f\n2. 每个品类-地区的全年销售额总和形状: {yearly_sales_per_cat_region.shape}) # 对每个品类找销售额最低的地区索引 worst_region_per_category np.nanargmin(yearly_sales_per_cat_region, axis1) # 形状 (5,) print(f 每个品类销售额最低的地区索引: {worst_region_per_category}) # 同时可以拿到最低的销售额值 worst_sales_value np.nanmin(yearly_sales_per_cat_region, axis1) for cat in range(n_categories): print(f 品类{cat}: 最差地区[{worst_region_per_category[cat]}] 销售额{worst_sales_value[cat]:.2f}) # 任务3: 计算每个地区所有品类在各个月份的销售额总和 # 需要对品类轴(axis0)和月份轴(axis1)求和保留地区轴(axis2) # 使用 keepdimsTrue 方便后续如果需要广播 total_sales_per_region np.nansum(sales_data, axis(0, 1), keepdimsTrue) # 形状 (1, 1, 10) # 为了打印好看去掉多余的维度 total_sales_per_region total_sales_per_region.squeeze() print(f\n3. 每个地区的总销售额:) for region in range(n_regions): print(f 地区{region}: {total_sales_per_region[region]:.2f}) # 任务4: 生成高于月平均销售额的突出显示矩阵 # 步骤a) 计算每个月份跨品类和地区的平均销售额形状 (12,) # b) 将原始数据与每个月的平均值进行比较 # 注意比较时需要考虑NaN我们用 nanmean monthly_avg_sales np.nanmean(sales_data, axis(0, 2)) # 压缩品类和地区轴形状 (12,) print(f\n4. 各月份平均销售额: {monthly_avg_sales}) # 为了比较需要将 monthly_avg_sales 广播到和 sales_data 匹配的形状 (5,12,10) # 首先用 keepdimsTrue 得到形状 (1,12,1)然后利用广播 monthly_avg_sales_expanded np.nanmean(sales_data, axis(0, 2), keepdimsTrue) # 形状 (1,12,1) # 逐元素比较生成布尔矩阵 highlight_mask sales_data monthly_avg_sales_expanded # 这个 highlight_mask 是一个布尔数组True表示该位置销售额高于其所在月份的平均值 print(f 突出显示矩阵True表示高于当月平均中True的比例: {np.mean(highlight_mask):.2%}) # 我们可以进一步将高于平均的值保留低于平均的设为0得到一个“亮点”矩阵 highlighted_sales np.where(highlight_mask, sales_data, 0) print(f ‘亮点’矩阵仅保留高于月平均的值的总和: {np.nansum(highlighted_sales):.2f})通过这个综合案例你可以看到仅仅七个基础函数通过灵活组合和轴向操作就能高效解决一个看似复杂的多维度数据分析问题。关键在于清晰地定义“沿着哪个轴进行压缩”以及熟练运用广播机制来对齐数据形状。