在〈陣列程式設計〉中可以看到，NumPy 的陣列可以是一維、二維，其實也可以是三維以上的陣列。
先來看看一維與二維好了，想要知道陣列的維度，可以透過陣列的 ndim 屬性得知。
>>> import numpy as np
>>> a = np.array([1, 2, 3, 4, 5, 6])
>>> b = np.array([[1, 2], [3, 4], [5, 6]])
>>> a.ndim
1
>>> b.ndim
2
>>>
如果想知道陣列的形狀（Shape），可以透過 shape 屬性，例如：
>>> a.shape
(6,)
>>> b.shape
(3, 2)
>>>
shape 傳回 tuple，元素數量表示它的維度，元素數值表示每一維的長度，就上例來看，(6,) 表示 a 是個一維陣列，長度為 6，(3, 2) 表示 b 是個二維陣列，各維度長度分別是 3 與 2，也就是 3 列（row） 2 行（column）。
NumPy 的陣列有軸（axis）的概念，在計算時可以指定要沿哪個軸進行，就一維陣列來說只有一個軸，也就是 axis 0，就二維陣列的話，axis 0 對應行，axis 1 對應列，可以看到，陣列的 shape 傳回的 tuple，元素值就是依軸的順序：
NumPy 有個 apply_along_axis，可以指定軸來進行運算，例如，想將上例 b 陣列，對每一列加總，第一個參數可以指定函式，第二個參數指定軸，第三個參數指定陣列，例如：
>>> np.apply_along_axis(sum, 1, b)
array([ 3, 7, 11])
>>>
如果要對每一行加總，就是指定第二個參數為 0：
>>> np.apply_along_axis(sum, 0, b)
array([ 9, 12])
>>>
那麼三維陣列呢？ndim 當然就是 3，至於 shape、軸的話，可以先看看下圖：
這張圖對應以下建立的陣列：
>>> c = np.array([
... [[1, 2], [3, 4], [5, 6]],
... [[7, 8], [9, 10], [11, 12]],
... [[13, 14], [15, 16], [17, 18]]
... ])
>>> c.ndim
3
>>> c.shape
(3, 3, 2)
>>>
看到了嗎？軸的順序其實就是撰寫時每一層的順序，因為第一層有三個元素，第二層有三個元素，第三層有兩個元素，shape 傳回的就是 (3, 3, 2)。
那麼沿三個軸分別計算的結果會是？例如沿著 axis 0？
>>> np.apply_along_axis(sum, 0, c)
array([[21, 24],
[27, 30],
[33, 36]])
沿著 axis 0 計算比較好懂，就是將上圖的三張二維陣列用 sum 運算，sum 就是用 +，最後得到的結果不難理解，沿著 axis 1 呢？
>>> np.apply_along_axis(sum, 1, c)
array([[ 9, 12],
[27, 30],
[45, 48]])
看看下圖就會理解了，將同色看成一個二維陣列，由上層往下層算就對了，另兩軸的軸數小的是行，軸數大的是列：
沿著 axis 2 的話，就會是：
對照上圖算一下，記得另兩軸的軸數小的是行，軸數大的是列，看看你算的結果對不對：
>>> np.apply_along_axis(sum, 2, c)
array([[ 3, 7, 11],
[15, 19, 23],
[27, 31, 35]])
>>>
更高維度應該也可以算，只不過更高維度就習慣在三維空間的人類來說，會更難想像與掌握，不建議就是了；另外，apply_along_axis 只是個簡便的函式，它的底層是逐一取出每個元素來套用指定的純 Python 函式，速度並不快，若要提昇速度，必須分解任務、設計出更適合的 NumPy 陣列以進行運算。