1. なぜ axis を学ぶのか
前のレッスンでは arr.mean() で 配列全体の平均を計算しました。
しかし2次元以上の配列では「どの方向に集計するか」を選ぶ必要があります。
例えば、患者4人 × 検査3項目のデータがあるとき、知りたい平均は2種類あります：
- 項目ごとの平均：SBPの平均は？ DBPの平均は？ BMIの平均は？
- 患者ごとの平均：患者0の3項目の平均は？ 患者1は？ 患者2は？
これらを切り替えるための引数が axis です。
このレッスンで「axisの直感」を身につければ、2D・3Dデータの集計で迷うことはなくなります。
2. axis=0 vs axis=1 の直感
まずは結論を先に示します。
| 指定 | 意味 | 結果の shape | 例：(4, 3) の場合 |
|---|---|---|---|
| なし | 全体を1つの値に集計 | スカラー | 全12要素の平均1つ |
axis=0 | 「行を潰す」= 各列の集計 | (列数,) | (3,) ← 項目ごとの平均 |
axis=1 | 「列を潰す」= 各行の集計 | (行数,) | (4,) ← 患者ごとの平均 |
💡 覚え方の鉄則：
「axis で指定した軸が消える（潰れる）」と覚えるのが一番分かりやすいです。
(4, 3) に axis=0 を指定すると、軸0（行）が潰れて (3,) が残ります。
axis=1 なら軸1（列）が潰れて (4,) が残ります。
🩺 医療AI文脈：
「患者×特徴量」の2次元データは医療AIで最も典型的な形です。
axis=0（項目ごと）の集計は 特徴量の前処理（平均0・標準偏差1の正規化）で必須、
axis=1（患者ごと）の集計は 個別患者のスコア計算で頻出します。
3. keepdims=True — 次元を保つ
集計すると基本的に 次元数が1つ減ります（軸が潰れる）。
ただし、keepdims=True を指定すると 潰れた軸をサイズ1のまま残してくれます。
これは次のレッスンで学ぶ「ブロードキャスト」と組み合わせて、正規化などで威力を発揮します。
💡 なぜ keepdims が必要なのか：
(4, 3) から正規化したい場合、各列の平均を引きたいですが、
(3,) ではなく (1, 3) の方が 元のデータと自然に演算できます。
この「形を保ったまま集計する」テクニックは、次のレッスン「ブロードキャスト」で本領発揮します。
4. argmax / argmin — 最大・最小の「位置」
max / min は 値そのものを返しますが、
argmax / argmin は その値があるインデックスを返します。
「最高血圧の患者は誰？」「最低SpO2の時刻は？」のような場面で便利です。
axis 指定の規則は mean などと同じです。
🤖 AI用語メモ — 「予測クラスの決定」とは？
画像分類などのAIモデルは、各クラスに対する 確率 を出力します（例: 3クラス分類なら3つの確率）。
最終的な予測ラベルは 「最も確率が高いクラスのインデックス」 を選ぶことで決まります。
これを実装するのが probs.argmax(axis=1) です。AI推論の最後の一行で必ず登場するパターンです。
5. 練習問題
検査項目ごと・患者ごとに平均を求めよう
以下の (5, 3) 配列（5人 × 3項目: SBP, 心拍, 体温）から、
① 各項目の平均（3つの値） と ② 各患者の平均（5つの値） を計算してください。
ヒントを見る（答え＋解説）
import numpy as np
data = np.array([
[120, 72, 36.5],
[135, 88, 37.2],
[125, 75, 36.8],
[150, 95, 37.5],
[128, 80, 36.7]
])
# 各項目の平均（3つ）を計算してください
col_mean = data.mean(axis=0)
# 各患者の平均（5つ）を計算してください
row_mean = data.mean(axis=1)
print("項目ごとの平均:", col_mean.round(2)) # [131.6 82. 36.94]
print("患者ごとの平均:", row_mean.round(2)) # [76.17 86.73 78.93 94.17 81.57]axis=0 は「行を潰す」= 各列の集計、axis=1 は「列を潰す」= 各行の集計。「axisで指定した軸が消える」と覚えれば迷いません。
最高血圧の患者を特定しよう
以下の sbp_data = np.array([128, 142, 135, 158, 120, 145])（6人のSBP）から、
最も血圧が高い患者のインデックスと値を表示してください。
ヒントを見る（答え＋解説）
import numpy as np
sbp_data = np.array([128, 142, 135, 158, 120, 145])
# 最高血圧の患者のインデックスを取得してください
max_idx = sbp_data.argmax()
# その患者の血圧値を取得してください
max_val = sbp_data.max()
# 代替: max_val = sbp_data[max_idx]
print(f"最高血圧の患者: インデックス {max_idx} (値 {max_val} mmHg)")
# → 最高血圧の患者: インデックス 3 (値 158 mmHg)argmax() は最大値の 位置（インデックス）を返します。「最も◯◯な患者は誰？」を特定する操作で頻出のパターンです。
AIの予測クラスを決定しよう
AIモデルが出力した 4サンプル × 3クラス の予測確率 probs から、
各サンプルの予測クラス（最も確率が高いクラスのインデックス）を取得してください。
ヒントを見る（答え＋解説）
import numpy as np
probs = np.array([
[0.85, 0.10, 0.05],
[0.20, 0.65, 0.15],
[0.10, 0.25, 0.65],
[0.40, 0.45, 0.15]
])
# 各サンプルの予測クラスを取得してください
pred = probs.argmax(axis=1)
print("予測クラス:", pred) # [0 1 2 1]axis=1 で「各行（サンプル）内での最大の列（クラス）」を取得します。AIモデルの推論ループの最後の1行で必ず登場するパターンです。「サンプルごとに集計する」ので axis=1 を使う、と理解しましょう。
6. まとめ
このレッスンのポイント
axis=0= 行を潰す = 各列の集計（特徴量ごと）axis=1= 列を潰す = 各行の集計（サンプルごと）- 「axisで指定した軸が消える」と覚えるのが最強の覚え方
keepdims=Trueで潰れた軸をサイズ1のまま残せる（次レッスンのブロードキャストで活用）argmax/argminは位置を返す。AI予測クラスの決定で頻出
自由に試してみましょう：
完了するとコース一覧に進捗が記録されます