如何仅用Numpy按y值分组计算坐标数组的x分量平均值？

给定Numpy数组：

import numpy as np

A = np.array([[0.33703753, 3.],
              [0.90115394, 5.],
              [0.91172016, 5.],
              [0.93230994, 3.],
              [0.08084283, 3.],
              [0.71531777, 2.],
              [0.07880787, 3.],
              [0.03501083, 4.],
              [0.69253184, 4.],
              [0.62214452, 3.],
              [0.26953094, 1.],
              [0.4617873 , 3.],
              [0.6495549 , 0.],
              [0.84531478, 4.],
              [0.08493308, 5.]])

目标是按每个y值分组，计算对应x的平均值，得到如下结果：

array([[0.6495549 , 0.        ],
       [0.26953094, 1.        ],
       [0.71531777, 2.        ],
       [0.41882167, 3.        ],
       [0.52428582, 4.        ],
       [0.63260239, 5.        ]])

无需依赖Pandas，仅用Numpy即可完成，提供两种实现方式：

方法一：通用分组求平均（适用于任意y值类型） #

# 提取所有y值并获取排序后的唯一y值
y_vals = A[:, 1]
unique_y = np.sort(np.unique(y_vals))

# 对每个唯一y值，筛选对应的x并计算平均值
avg_x = np.array([A[A[:, 1] == y, 0].mean() for y in unique_y])

# 组合成目标数组
result = np.column_stack((avg_x, unique_y))
print(result)

方法二：高效整数分组（适用于y为整数的场景） #

由于示例中y值为0-5的整数，可使用np.bincount提升效率：

# 将y值转为整数类型
y_int = y_vals.astype(int)

# 计算每个y对应的x总和与元素个数
sum_x = np.bincount(y_int, weights=A[:, 0])
count_x = np.bincount(y_int)

# 计算平均值并组合结果
avg_x = sum_x / count_x
result = np.column_stack((avg_x, np.arange(len(avg_x))))
print(result)

两种方法都能得到符合要求的结果，方法二在y为整数时性能更优。

内容的提问来源于stack exchange，提问作者CDJB