如何使用含重复索引的索引列表正确更新Numpy数组？

Numpy的花式索引遇到重复位置时，直接用+=1只会对该位置执行一次加法，不会按索引重复次数累加。要实现预期的累加效果，需要先统计每个索引组合的出现次数，再按次数批量更新数组。

方案一：用collections.Counter统计索引次数（代码直观） #

适合中小规模缓存数据，代码可读性强：

import numpy as np
from collections import Counter

def update(arr, index_counter):
    # 拆分统计后的索引与对应次数
    indices, counts = zip(*index_counter.items())
    rows, cols, chs = zip(*indices)
    # 按次数累加对应位置的值
    arr[rows, cols, chs] += counts
    # 保持数值不超过10
    arr[arr > 10] = 10

# 初始化数组（修正原代码的初始化错误）
n_rows, n_cols, n_channels = 5, 5, 3
arr = np.zeros((n_rows, n_cols, n_channels))

cache_length = 3
cache = []
while True:
    # 示例：动态生成索引，替换为你的实际逻辑
    row_idx = 0
    col_idx = 3
    ch_idx = 6
    cache.append((row_idx, col_idx, ch_idx))
    
    if len(cache) == cache_length:
        # 统计缓存中每个索引组合的出现次数
        index_counter = Counter(cache)
        update(arr, index_counter)
        # 清空缓存
        cache = []

方案二：用Numpy的unique处理（高效向量化） #

适合大规模缓存数据，利用Numpy向量化操作提升效率：

import numpy as np

def update(arr, cache):
    # 将缓存转为Numpy数组，形状为(缓存长度, 3)
    cache_np = np.array(cache)
    # 获取唯一索引组合及对应的出现次数
    unique_indices, counts = np.unique(cache_np, axis=0, return_counts=True)
    # 拆分索引的三个维度
    rows = unique_indices[:, 0]
    cols = unique_indices[:, 1]
    chs = unique_indices[:, 2]
    # 按次数累加
    arr[rows, cols, chs] += counts
    # 裁剪数值上限
    arr[arr > 10] = 10

# 初始化数组
n_rows, n_cols, n_channels = 5, 5, 3
arr = np.zeros((n_rows, n_cols, n_channels))

cache_length = 3
cache = []
while True:
    # 示例：动态生成索引
    row_idx = 0
    col_idx = 3
    ch_idx = 6
    cache.append((row_idx, col_idx, ch_idx))
    
    if len(cache) == cache_length:
        update(arr, cache)
        cache = []

关键说明 #

• 原代码中arr = np.array(n_rows, n_cols, n_channels)是错误的，需用np.zeros()或其他合理方式初始化数组。
• 两种方案都能解决重复索引的累加问题，按需选择：小规模数据用Counter更直观，大规模数据用Numpy unique效率更高。

内容的提问来源于stack exchange，提问作者firion