如何对有序二维numpy数组首列重复元素的第二列求和？

方法一：使用numpy的unique与bincount（适用于首列唯一值无需严格保持原顺序，或原唯一值已排序的情况） #

import numpy as np

y = np.array(([14.0, 100], [15.0, 130], [15.0, -90], [16.0, 60]))

# 获取首列的唯一值及对应分组索引
unique_keys, group_indices = np.unique(y[:, 0], return_inverse=True)
# 按分组索引对第二列求和
sum_values = np.bincount(group_indices, weights=y[:, 1])
# 组合成目标数组
z = np.column_stack((unique_keys, sum_values))

print(z)
# 输出：
# [[ 14. 100.]
#  [ 15.  40.]
#  [ 16.  60.]]

方法二：基于数组拆分（适用于首列重复元素连续的有序数组，严格保持原顺序） #

如果原数组首列的重复元素是连续排列的（像示例这样），可以通过拆分数组实现：

import numpy as np

y = np.array(([14.0, 100], [15.0, 130], [15.0, -90], [16.0, 60]))

# 定位首列元素变化的位置
split_positions = np.where(y[1:, 0] != y[:-1, 0])[0] + 1
# 按位置拆分数组为分组
groups = np.split(y, split_positions)
# 每组取首列第一个值，第二列求和后组合
z = np.array([[group[0, 0], group[:, 1].sum()] for group in groups])

print(z)
# 输出与示例一致

方法三：借助pandas分组（简洁直观，严格保持原顺序） #

如果项目中已引入pandas，这种写法更易懂：

import pandas as pd
import numpy as np

y = np.array(([14.0, 100], [15.0, 130], [15.0, -90], [16.0, 60]))

# 转换为DataFrame
df = pd.DataFrame(y, columns=["key", "value"])
# 按key分组求和，sort=False保持原顺序
result_df = df.groupby("key", as_index=False, sort=False)["value"].sum()
# 转回numpy数组
z = result_df.to_numpy()

print(z)

关于reduce/map/lambda的尝试说明 #

用reduce也能实现，但numpy数组更适合向量化操作，循环式的reduce效率较低，示例实现如下：

from functools import reduce
import numpy as np

y = np.array(([14.0, 100], [15.0, 130], [15.0, -90], [16.0, 60]))

def merge_groups(result, current_item):
    if not result:
        return [current_item.tolist()]
    last_group = result[-1]
    if last_group[0] == current_item[0]:
        last_group[1] += current_item[1]
        return result
    result.append(current_item.tolist())
    return result

result_list = reduce(merge_groups, y, [])
z = np.array(result_list)

print(z)

内容的提问来源于stack exchange，提问作者cmmc