如何将二维NumPy数组重塑为更小形状并填充块内最频繁元素？

你可以通过重塑数组并计算每个块的众数来实现需求，以下是两种可行方案：

示例问题重现 #

首先还原你的场景，原数组通过取块最大值得到缩小后的数组：

import numpy as np

x = np.array([[1, 1, 2, 2],
              [3, 2, 5, 4],
              [3, 6, 5, 2],
              [1, 1, 5, 1]])

# 原方法：按2x2块取最大值
shape = (2, 2, 2, 2)
max_result = x.reshape(shape).max(-1).max(1)
print(max_result)
# 输出：
# [[3 5]
#  [6 5]]

方案1：使用scipy.stats.mode（简洁高效） #

scipy的mode函数可以直接计算指定轴上的众数，适合快速实现需求：

from scipy.stats import mode

# 将数组重塑为(块行数, 块列数, 块元素总数)，这里每个2x2块展平为4个元素
x_reshaped = x.reshape(2, 2, -1)
# 对每个块的元素轴（最后一维）计算众数，squeeze去除多余维度
mode_result = mode(x_reshaped, axis=-1)[0].squeeze()
print(mode_result)
# 输出：
# [[1 2]
#  [1 5]]

说明：mode返回的元组中第一个元素是众数值，squeeze()用来把结果从(2,2,1)压缩为(2,2)的目标形状。

方案2：纯NumPy实现（无额外依赖） #

如果不想引入scipy，可以用np.unique结合轴操作实现：

# 同样先将数组重塑为(2,2,4)
x_reshaped = x.reshape(2, 2, -1)

# 对每个块统计唯一元素及出现次数
unique_vals, counts = np.apply_along_axis(
    lambda arr: np.unique(arr, return_counts=True),
    axis=-1,
    arr=x_reshaped
)

# 提取每个块中计数最高的元素
mode_result = np.array([
    [vals[np.argmax(cnts)] for vals, cnts in zip(row_unique, row_counts)]
    for row_unique, row_counts in zip(unique_vals, counts)
])
print(mode_result)
# 输出：
# [[1 2]
#  [1 5]]

说明：当块中存在多个元素出现次数相同时，np.argmax会返回第一个出现的最大计数对应的元素；如果需要处理多众数场景，可以根据需求调整逻辑。

内容的提问来源于stack exchange，提问作者D.Vrebos