如何用Numpy高效实现同形状ndarray间的元组计数？

核心问题说明 #

你遇到的distribution[img, avg] += 1失效问题，本质是Numpy处理重复索引时，只会对每个唯一索引执行一次累加操作，不会自动统计重复出现的次数。下面提供两种优雅的Numpy原生解决方案：

方案1：np.bincount（最高效简洁） #

将两个数组的索引组合成唯一整数编码，通过bincount统计频次后重塑为目标形状：

import numpy as np
from torch.nn.functional import avgpool2d

img = np.random.randint(0, 2, (64, 64))
avg = avgpool2d(img, kernel_size=3, padding=1).numpy() * 9
avg = avg.astype(np.int32)

# 把(i,j)二维索引编码为一维整数：i * 9 + j
encoded = img.flat * 9 + avg.flat
# 统计每个编码的出现次数，minlength确保覆盖所有可能的编码值
counts = np.bincount(encoded, minlength=18)
# 重塑为(2,9)的分布矩阵
distribution = counts.reshape(2, 9)

bincount是Numpy中统计整数频次的最优方法，时间复杂度O(n)，完全规避循环。

方案2：np.unique结合return_counts #

直接提取所有唯一的(i,j)元组并获取对应频次，再填充到结果数组：

import numpy as np
from torch.nn.functional import avgpool2d

img = np.random.randint(0, 2, (64, 64))
avg = avgpool2d(img, kernel_size=3, padding=1).numpy() * 9
avg = avg.astype(np.int32)

# 将两个数组的扁平化结果堆叠为N×2的元组矩阵
pairs = np.stack([img.flat, avg.flat], axis=1)
# 获取唯一元组及对应出现次数
unique_pairs, counts = np.unique(pairs, axis=0, return_counts=True)
# 初始化分布矩阵并赋值
distribution = np.zeros((2, 9), dtype=np.int32)
distribution[unique_pairs[:, 0], unique_pairs[:, 1]] = counts

这种方法更直观，适合需要查看所有唯一元组的场景，性能略逊于bincount但足以应对绝大多数需求。

扩展：N元组的通用统计方法 #

针对N个数组（如arr1, arr2, arr3）的场景，可采用两种通用思路：

• 编码法：计算每个元组的唯一整数编码，例如encoded = arr1.flat * (size2*size3) + arr2.flat * size3 + arr3.flat，再用bincount统计。
• 堆叠法：通过np.stack([arr1, arr2, arr3], axis=-1).reshape(-1, N)将所有元组转为二维数组，再用np.unique(..., axis=0, return_counts=True)统计。

内容的提问来源于stack exchange，提问作者illus