您可以使用einsum：
In [21]: np.einsum('ijkl->kl', M)Out[21]: array([[32, 8], [16, 8]])其他选项包括将前两个轴重塑为一个轴，然后调用
sum：
In [24]: M.reshape(-1, 2, 2).sum(axis=0)Out[24]: array([[32, 8], [16, 8]])
或两次调用sum方法：
In [26]: M.sum(axis=0).sum(axis=0)Out[26]: array([[32, 8], [16, 8]])
但是使用起来
np.einsum更快：
In [22]: %timeit np.einsum('ijkl->kl', M)100000 loops, best of 3: 2.42 µs per loopIn [25]: %timeit M.reshape(-1, 2, 2).sum(axis=0)100000 loops, best of 3: 5.69 µs per loopIn [43]: %timeit np.sum(M, axis=(0,1))100000 loops, best of 3: 6.08 µs per loopIn [33]: %timeit sum(sum(M))100000 loops, best of 3: 8.18 µs per loopIn [27]: %timeit M.sum(axis=0).sum(axis=0)100000 loops, best of 3: 9.83 µs per loop注意：由于许多因素（操作系统，NumPy版本，NumPy库，硬件等），timeit基准可能会有很大差异。有时，各种方法的相对性能也可能取决于M的大小。因此，有必要在更接近实际用例的M上进行自己的基准测试。
例如，对于稍大的数组
M，
sum两次调用方法可能是最快的：
In [34]: M = np.random.random((100,100,2,2))In [37]: %timeit M.sum(axis=0).sum(axis=0)10000 loops, best of 3: 59.9 µs per loopIn [39]: %timeit np.einsum('ijkl->kl', M)10000 loops, best of 3: 99 µs per loopIn [40]: %timeit np.sum(M, axis=(0,1))10000 loops, best of 3: 182 µs per loopIn [36]: %timeit M.reshape(-1, 2, 2).sum(axis=0)10000 loops, best of 3: 184 µs per loopIn [38]: %timeit sum(sum(M))1000 loops, best of 3: 202 µs per loop
