Python 计算numpy数组中列的出现次数

给定一个2d维numpy数组M，我想计算M的每一列出现的次数。也就是说，我正在寻找的是的一般版本

到目前为止，我尝试的是：（1）将列转换为元组（2）将哈希元组（通过

hash

）转换为自然数（3）使用

numpy.bincount

这似乎相当笨拙。有人知道一种更优雅、更高效的方法吗？

给出：

a = np.array([[ 0,  1,  2,  4,  5,  1,  2,  3],
              [ 4,  5,  6,  8,  9,  5,  6,  7],
              [ 8,  9, 10, 12, 13,  9, 10, 11]])
b = np.transpose(a)

比哈希更有效的解决方案（仍然需要操作）：

我使用灵活的数据类型

np.void

（请参见）创建了一个数组视图，以便每一行都成为一个元素。转换为此形状将允许

np.unique

对其进行操作

%%timeit    
c = np.ascontiguousarray(b).view(np.dtype((np.void, b.dtype.itemsize*b.shape[1])))
_, index, counts = np.unique(c, return_index = True, return_counts = True)
#counts are in the last column, remember original array is transposed
>>>np.concatenate((b[idx], cnt[:, None]), axis = 1)
array([[ 0,  4,  8,  1],
       [ 1,  5,  9,  2],
       [ 2,  6, 10,  2],
       [ 3,  7, 11,  1],
       [ 4,  8, 12,  1],
       [ 5,  9, 13,  1]])
10000 loops, best of 3: 65.4 µs per loop

附加到

a

的唯一列的计数

您的哈希解决方案

%%timeit
array_hash = [hash(tuple(row)) for row in b]
uniq, index, counts = np.unique(array_hash, return_index= True, return_counts = True)
np.concatenate((b[idx], cnt[:, None]), axis = 1)
10000 loops, best of 3: 89.5 µs per loop

更新：Eph的解决方案是最高效、最优雅的

%%timeit
Counter(map(tuple, a.T))
10000 loops, best of 3: 38.3 µs per loop

---

您可以使用集合。计数器：

>>> import numpy as np
>>> a = np.array([[ 0,  1,  2,  4,  5,  1,  2,  3],
...               [ 4,  5,  6,  8,  9,  5,  6,  7],
...               [ 8,  9, 10, 12, 13,  9, 10, 11]])
>>> from collections import Counter
>>> Counter(map(tuple, a.T))
Counter({(2, 6, 10): 2, (1, 5, 9): 2, (4, 8, 12): 1, (5, 9, 13): 1, (3, 7, 11):
1, (0, 4, 8): 1})

---

有趣的问题。期待看到任何解决方案，因为我的第一个也是唯一一个想法就是你所做的。那么你期待一个独特列及其计数的列表？是否必须保留列的顺序？请显示您尝试的代码。如果是3d数组，我如何执行相同操作。基本上，我有一个3通道图像，所以在上面的示例中，我没有使用每个元素，而是使用3个数字。