Python：计算数组中相同的行数（无任何导入）

例如，假设：

import numpy as np
data = np.array(
    [[0, 0, 0],
    [0, 1, 1],
    [1, 0, 1],
    [1, 0, 1],
    [0, 1, 1],
    [0, 0, 0]])

我想得到一个三维数组，看起来像：

result = array([[[ 2.,  0.],
                 [ 0.,  2.]],

                [[ 0.,  2.],
                 [ 0.,  0.]]])

一种方法是：

for row in data
    newArray[ row[0] ][ row[1] ][ row[2] ] += 1

我想做的是：

for i in dimension1
   for j in dimension2
      for k in dimension3
          result[i,j,k] = (data[data[data[:,0]==i, 1]==j, 2]==k).sum()

这似乎不起作用，我希望通过坚持我的实现而不是一开始提到的实现（或使用任何额外的导入，例如计数器）来实现预期的结果

---

谢谢。

您可以执行以下操作

#Get output dimension and construct output array.
>>> dshape = tuple(data.max(axis=0)+1)
>>> dshape
(2, 2, 2)
>>> out = np.zeros(shape)

如果您有numpy 1.8+：

out.flat[np.ravel_multi_index(data.T, dshape)]+=1

其他：

Numpy 1.7之前的Numpy版本没有

add.at

属性，没有该属性，顶层代码将无法工作。由于

ravel\u multi\u index

可能不是考虑使用numpy数组的最快算法。实际上，这两种操作应该是等效的。

您也可以使用：

>>> np.histogramdd(data, bins=(2, 2, 2))[0]
array([[[ 2.,  0.],
        [ 0.,  2.]],

       [[ 0.,  2.],
        [ 0.,  0.]]])

---

问题是，

data[data[：，0]==i，1]==j，2]==k

并不是你所期望的

让我们将其分解为案例

（i，j，k）==（0,0,0）

data[：，0]==0

是

[True，True，False，False，True，True]

，而

data[data[：，0]==0]

正确地给出了第一个数字是

0

的行

现在从这些行中我们得到第二个数字是

0

：

data[data[：，0]==0，1]==0

，这给了我们

[True，False，False，True]

。这就是问题所在。因为如果我们从

数据

中获取这些索引，即

数据[data[data[：，0]==0，1]==0]

我们不会得到第一个和第二个数字为

0

的行，而是

0th

和

3rd

行：

In [51]: data[data[data[:,0]==0, 1]==0]
Out[51]: array([[0, 0, 0],
                [1, 0, 1]])

如果我们现在对第三个数字为

0

的行进行筛选，我们会得到错误的结果w.r.t.原始数据

---

这就是为什么你的方法不起作用。有关更好的方法，请参阅其他答案。

不要害怕导入。正是它们让Python变得棒极了

如果问题是假设您已经有了结果矩阵

import numpy as np
data = np.array(
    [[0, 0, 0],
     [0, 1, 1],
     [1, 0, 1],
     [1, 0, 1],
     [0, 1, 1],
     [0, 0, 0]]
)
result = np.zeros((2,2,2))

# range of each dim, aka allowable values for each dim
dim_ranges = zip(np.zeros(result.ndim), np.array(result.shape)-1)
dim_ranges
# Out[]:
#     [(0.0, 2), (0.0, 2), (0.0, 2)]

# Multidimentional histogram will effectively "count" along each dim
sums,_ = np.histogramdd(data,bins=result.shape,range=dim_ranges)
result += sums
result
# Out[]:
#     array([[[ 2.,  0.],
#             [ 0.,  2.]],
#
#            [[ 0.,  2.],
#             [ 0.,  0.]]])

---

此解决方案解决任何“结果”数据阵列，无论形状如何。此外，即使“数据”数据数组的索引超出结果矩阵的界限，它也可以正常工作。

我相信您使用的是numpy。是的，这是正确的，将修复它。不管怎样，有什么想法吗？我认为你的第一种方法更容易阅读，当然更快。@tobias_k我知道！我只是好奇为什么第二种方法不起作用：）请下次发布语法正确的代码

import numpy as np
data = np.array(
    [[0, 0, 0],
     [0, 1, 1],
     [1, 0, 1],
     [1, 0, 1],
     [0, 1, 1],
     [0, 0, 0]]
)
result = np.zeros((2,2,2))

# range of each dim, aka allowable values for each dim
dim_ranges = zip(np.zeros(result.ndim), np.array(result.shape)-1)
dim_ranges
# Out[]:
#     [(0.0, 2), (0.0, 2), (0.0, 2)]

# Multidimentional histogram will effectively "count" along each dim
sums,_ = np.histogramdd(data,bins=result.shape,range=dim_ranges)
result += sums
result
# Out[]:
#     array([[[ 2.,  0.],
#             [ 0.,  2.]],
#
#            [[ 0.,  2.],
#             [ 0.,  0.]]])