我会提出一个稍微复杂一点的解决方案，这可能会帮助您了解如何使用轴。这里我使用来自numpy的transpose方法转置您的原始数组，然后我获得您预期结果的转置，所以我再次使用transpose。代码如下：

np.transpose(vals).sum(axis=0).transpose()

如预期，输出为：

array([[65., 32.],
       [37., 40.],
       [29., 10.]])

我认为您的意思是使用axis=2

而你期望的最后一行是个打字错误

array([[65., 32.],
       [37., 40.],
       [29., 10.]])

记住轴从0开始，并从外到内工作

如果沿着axis = 2求和，则是对 * innerest * 组数据求和，这将产生所需结果。您可以这样想：

np.array([  [ 38 + 27, 20 + 12], 
            [ 10 + 27, 10 + 30], 
            [ 13 + 16,  5 +  5]
         ])

axis参数指定要在哪个轴上执行求和运算。请尝试以下操作：

import numpy as np

vals = np.array([[[38., 27.], [20., 12.]], [[10., 27.], [10., 30.]], [[13., 16.], [5., 5.]]])
result = vals.sum(axis=(1,2))
print(result)

“求和所沿着的一个或多个轴”可能会引起混淆，尤其是当两个或更多维度相同，或者数组是二维的时候。
对于1d来说，它只能有一个意义，对于所有维度都不同的3d来说，动作变得更加清晰，一个轴被“移除”，另外2个轴保留。

In [179]: x=np.ones((2,3,4),int)

In [180]: x.sum(axis=0)
Out[180]: 
array([[2, 2, 2, 2],    # (3,4) shape
       [2, 2, 2, 2],
       [2, 2, 2, 2]])

In [181]: x.sum(axis=1)
Out[181]: 
array([[3, 3, 3, 3],     # (2,4) shape, 3 values are summed
       [3, 3, 3, 3]])

In [182]: x.sum(axis=2)   
Out[182]: 
array([[4, 4, 4],       # (2,3)
       [4, 4, 4]])

或将求和后的维度保留为：

In [183]: x.sum(axis=2, keepdims=True)
Out[183]: 
array([[[4],          # (2,3,1)
        [4],
        [4]],

       [[4],
        [4],
        [4]]])

用一组斧头

In [185]: x.sum(axis=(0,2), keepdims=True)
Out[185]: 
array([[[8],
        [8],
        [8]]])

In [186]: _.shape
Out[186]: (1, 3, 1)