如何用Numpy内置函数优化Python向量中数字出现次数统计？

需求回顾 #

给定长度为N的整数向量v（元素取值范围为0,1,...,d），需要生成长度为d+1的向量w，其中w[i]表示数字i在v中的出现次数。例如：

• 当d=3，v=(0,0,1,3,2)时，w=(2,1,1,1)

现有代码的问题 #

你当前的实现存在两个明显问题：

1. 逻辑错误：w被初始化为长度N的数组，但实际需要的是长度d+1；循环遍历range(N)会导致多余的计算（比如当N>d+1时，会统计大于d的数字，而这些数字在v中不存在）。
2. 性能瓶颈：Python循环配合每次np.sum(v==i)的方式，会重复对整个数组做布尔运算和求和，在N较大或需要多次调用的场景下，效率极低。

优化方案：使用Numpy内置函数 #

以下两种方法都是基于Numpy底层优化的C实现，完全避免Python层循环，性能提升显著：

方法1：np.bincount（最直接高效）

np.bincount是Numpy专门为非负整数频次统计设计的函数，完美匹配你的需求：

import numpy as np

d = 3
v = np.array([0,0,1,3,2])
w = np.bincount(v, minlength=d+1)
print(w)  # 输出: [2 1 1 1]

• 原理：自动统计v中每个非负整数的出现次数，返回的数组长度为v中最大值+1。
• minlength=d+1参数确保结果数组长度恰好为d+1，即使v中缺少某些小于等于d的数字（比如v中没有2时，w[2]会自动补0）。

方法2：np.histogram（更灵活）

如果需要更灵活的区间控制，可以用np.histogram实现：

import numpy as np

d = 3
v = np.array([0,0,1,3,2])
counts, _ = np.histogram(v, bins=np.arange(d+2), density=False)
w = counts
print(w)  # 输出: [2 1 1 1]

• 原理：通过np.arange(d+2)生成区间[0,1), [1,2), ..., [d, d+1)，直方图统计每个区间内的元素数量，正好对应每个整数的出现次数。

性能对比 #

两种方法的性能远优于手动循环：

• 当N=10^6时，np.bincount的执行速度是手动循环的数百倍；
• 由于是底层C实现，多次调用时的性能优势会更加明显，非常适合你的长期迭代模拟场景。

内容的提问来源于stack exchange，提问作者sixtyTonneAngel