如何使用Numpy沿多轴统计元素出现次数？

需求说明 #

给定二维Numpy数组，需对每行统计各元素的出现次数，输出数组的列索引对应元素值，未出现的元素计数为0。

输入输出示例 #

输入数组：

import numpy as np
arr = np.array([[1,2,3],
                [4,5,5]])

期望输出：

np.array([[0,1,1,1,0,0],
          [0,0,0,0,1,2]])

Numpy实现方法 #

方法1：结合apply_along_axis与bincount

代码简洁，适合中小规模数组：

max_val = arr.max()
# 沿每行应用bincount，minlength确保覆盖所有可能的元素值
result = np.apply_along_axis(lambda x: np.bincount(x, minlength=max_val + 1), axis=1, arr=arr)

• np.bincount用于统计非负整数的出现频次，minlength设为数组最大元素+1，保证输出列数覆盖所有可能的元素。
• np.apply_along_axis指定axis=1，对每行单独处理。

方法2：向量化高效实现（无显式循环）

处理大规模数组时优先用这种方法，避免apply_along_axis的底层循环开销：

max_val = arr.max()
rows, cols = arr.shape

# 将行索引展平，与元素值组合成唯一编码
row_indices = np.repeat(np.arange(rows), cols)
flat_arr = arr.flatten()
encoded = row_indices * (max_val + 1) + flat_arr

# 统计编码后的频次，再重塑为目标形状
counts = np.bincount(encoded, minlength=rows * (max_val + 1))
result = counts.reshape(rows, max_val + 1)

• 通过编码将(行号, 元素值)映射为唯一整数，用bincount一次性完成全局统计，再重塑为二维数组，效率远高于Python循环。

注意事项 #

如果数组包含负数，需要先对元素做偏移处理（比如加上最小绝对值），确保所有元素转为非负整数后再使用bincount。

内容的提问来源于stack exchange，提问作者Mason Wang