numpy.sum

numpy.sum(a, axis=None, dtype=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)

沿指定轴对数组元素求和。

参数：

aarray_like

要相加的元素。

axisNone 或 int 或 int 元组，可选

执行求和的轴或轴。默认值 axis=None 将对输入数组的所有元素求和。如果 axis 为负数，则从最后一个轴到第一个轴进行计数。如果 axis 是一个 int 元组，则在元组中指定的所有轴上执行求和，而不是像以前那样在一个轴或所有轴上执行。

dtypedtype，可选

返回数组和累加器的类型，在其中对元素进行求和。a 的 dtype 默认情况下使用，除非 a 的整数 dtype 精度低于默认平台整数。在这种情况下，如果 a 是有符号的，则使用平台整数；如果 a 是无符号的，则使用与平台整数精度相同的无符号整数。

outndarray，可选

放置结果的备用输出数组。它必须与预期输出具有相同的形状，但如果需要，输出值的类型将被强制转换。

keepdimsbool，可选

如果将其设置为 True，则减少的轴将保留在结果中，作为大小为一的维度。使用此选项，结果将针对输入数组正确广播。

如果传递默认值，则 keepdims 将不会传递到 sum 的 ndarray 子类的 method，但是任何非默认值都会传递。如果子类的 method 没有实现 keepdims，则会引发任何异常。

initial标量，可选

求和的起始值。详情请参见 reduce。

wherebool 型 array_like，可选

要包含在总和中的元素。详情请参见 reduce。

返回：

sum_along_axisndarray

一个与 a 形状相同的数组，其中去除了指定的轴。如果 a 是一个 0 维数组，或者如果 axis 为 None，则返回一个标量。如果指定了输出数组，则返回对 out 的引用。

另请参见

ndarray.sum

等效方法。

add

numpy.add.reduce 等效函数。

cumsum

数组元素的累积和。

trapezoid

使用复合梯形规则对数组值进行积分。

mean, average

备注

使用整数类型时，算术运算为模运算，并且不会因溢出而引发错误。

空数组的和为中性元素 0。

>>> np.sum([])
0.0

对于浮点数，sum（和 np.add.reduce）的数值精度通常受到将每个数字逐个添加到结果中导致每一步都产生舍入误差的限制。但是，numpy 通常会使用数值上更好的方法（部分成对求和），从而在许多用例中提高精度。当没有给出 axis 时，始终提供这种改进的精度。当给出 axis 时，它将取决于哪个轴被求和。从技术上讲，为了提供尽可能快的速度，改进的精度仅在沿内存中的快速轴求和时才使用。请注意，精确度可能会根据其他参数而有所不同。与 NumPy 相比，Python 的 math.fsum 函数使用更慢但更精确的方法进行求和。尤其是在对大量较低精度浮点数（例如 float32）求和时，数值误差可能会变得很大。在这种情况下，建议使用 dtype=”float64” 来提高输出精度。

示例

>>> import numpy as np
>>> np.sum([0.5, 1.5])
2.0
>>> np.sum([0.5, 0.7, 0.2, 1.5], dtype=np.int32)
np.int32(1)
>>> np.sum([[0, 1], [0, 5]])
6
>>> np.sum([[0, 1], [0, 5]], axis=0)
array([0, 6])
>>> np.sum([[0, 1], [0, 5]], axis=1)
array([1, 5])
>>> np.sum([[0, 1], [np.nan, 5]], where=[False, True], axis=1)
array([1., 5.])

如果累加器太小，则会发生溢出。

>>> np.ones(128, dtype=np.int8).sum(dtype=np.int8)
np.int8(-128)

您还可以使用 0 之外的值开始求和。

>>> np.sum([10], initial=5)
15