1、先以二维数组为例：
此数组为二维数组，shape=[4,3],第一个维度为4，第二个维度为3
在numpy中若没有指定axis，默认对所有的数据相加
axis=0表示第一个维度，axis=1表示第二个维度，以此类推（是几维数组就有几个维度）
若指定了axis=0，则沿着第一个维度的方向进行计算
此例中，第一个维度的数据为[1,2,3] [4,5,6] [1,3,5] [2,4,6] 即data[0],data[1],data[2],data[3]
将这个维度下的数据在这个维度变动的方向上计算/比较
若指定了axis=1,则沿着第二个维度的方向进行计算
此例中，第二个维度的数据为1 2 3， 4 5 6 ，1 3 5 ，2 4 6 即data[0][0] data[0][1] data[0][2]， data[1][0] ...data[3][2] ,即具体到每一个值（ 最里面[ ]里面的数据）
将这个维度的数据沿着这个维度变动的方向进行计算
2、添加/删除一行或一列(其实axis=0或者axis=1和上面的概念一样，都是在指定维度变化的方向上进行添加的数据）
在pandas中，如果没有指定axis，则默认按axis=0来计算
若指定了axis=0,则按照第一个维度的变化方向来计算
若指定了axis=1,则按照第二个维度的变化方向来计算
删除数据，若指定了axis=0,则沿着第一个维度变化的方向，删除所指定的索引的数据（这里我并不认为是axis=0是指删除行数据，我觉得是删除了这个维度变化方向上的索引的数据，同理axis=1也是如此）
这里是沿着第一个维度变化的方向，删除索引为2的数据
删除数据，若指定了axis=1,则沿着第二个维度变化的方向，删除所指定索引的数据
这里沿着第二个维度变化的反向，删除索引为2 的数据
所以说：无论是再numpy中还是pandas中对axis的理解其实是一样的
3、扩充到多维数组：
此数组为3维数组，shape=[2,2,3]
在numpy中若没有指定axis，默认对所有的数据相加
若指定axis=0,则沿着第一维变化的方向进行计算
此例中，第一维的数据为（三维数组的第一个维度）:[[0,2,3],[0,3,3]] [[1,1,3],[1,1,1]] 即data[0],data[1]
将这个维度的数据沿着这个维度变动的方向进行计算,
相当于如下
其实这里也可以验证自己计算所得是否正确，例如数组的shape=[2,2,3] ,则axis=0,计算得到的数组的维度为[2,3]（就是去掉指定维度后的数组的shape),若axis=1,计算得到的数组的维度为[2,3],若axis=2,计算得到的数组的维度为[2,2]
若指定了axis=1,则沿着第二个维度变化的方向进行计算,
此例中第二个维度的数据为（二维数组的第一个维度）[0,2,3] [0,3,3] [1,3,6] [1,4,4] 即data[0][0] data[0][1] data[1][0] data[1][1]
将这个维度的数据沿着这个维度变动的方向进行计算,
若axis=2,则沿着第三个维度变化的方向进行计算
此例中第三个维度的数据为 0 2 3 ,0 3 3 ,1 1 3 ,1 1 1 即data[0][0][0] data[0][0][1] data[0][0][2],data[0][1][0] data[0][1][1] data[0][1][2] ……data[1][[1][2]（具体的值）
将这个维度的数据沿着这个维度变化的方向进行计算
4、四维数组验证
若指定axis=0 ,则沿着第一个维度变化的方向进行计算
此例中第一维度的数据为（四维数组的第一个维度）data[0] data[1] data[2] data[3]
将这个维度的数据沿着这个维度变动的方向进行计算,相当于data[0] +data[1]+data[2]+data[3]
若指定axis=1 ,,则沿着第二个维度变化的方向进行计算,，数据为（三维数组的第一个维度），计算相当于data[0][0] +data[0][1],data[1][0] +data[1][1],data[2][0] +data[2][1],data[3][0]+data[3][1]
若指定axis=2,则沿着第三个维度变化的方向进行计算，数据为（二维数组的第一个维度）
若指定axis=3,则沿着第四个维度变化的方向进行计算，数据为具体的数
5、补充：
np.sort()排序
np.prod()乘积（product）
ps:如果有不对的地方，欢迎指正~
