基于多筛选条件统计NumPy数组元素出现次数的技术问询

需求 #

先以Outlook列为筛选依据，再统计label列中No和Yes的出现次数，同时计算每组的总数量。

数据集 #

data_dict = {
    'Outlook' : ['Sunny', 'Sunny', 'Overcast', 'Rainy', 'Rainy', 'Rainy', 'Overcast', 'Sunny', 'Sunny','Rainy', 'Sunny', 'Overcast', 'Overcast', 'Rainy'],
    'Temperature': ['Hot', 'Hot', 'Hot', 'Mild', 'Cool', 'Cool', 'Cool', 'Mild', 'Cool', 'Mild','Mild','Mild', 'Hot', 'Mild'],
    'Humidity' : ['High', 'High', 'High', 'High', 'Normal', 'Normal', 'Normal', 'High','Normal','Normal', 'Normal', 'High', 'Normal', 'High'],
    'Wind': ['False', 'True', 'False', 'False', 'False', 'True', 'True', 'False', 'False', 'False', 'True', 'True', 'False', 'True'],
    'label': ['No', 'No', 'Yes', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes', 'Yes', 'Yes', 'Yes', 'No']
}

生成的DataFrame示例：

Outlook Temperature Humidity   Wind label
0     Sunny         Hot     High  False    No
1     Sunny         Hot     High   True    No
2  Overcast         Hot     High  False   Yes
3     Rainy        Mild     High  False   Yes
4     Rainy        Cool   Normal  False   Yes
...

期望结果 #

Outlook    No Yes All 
Sunny      3   2   5         
Overcast   0   4   4
Rainy      2   3   5

注：原期望结果中部分数值存在笔误，以上为正确统计结果

问题代码分析 #

你尝试的代码仅单独提取了Outlook和label列，然后用np.unique做全局统计，没有实现按Outlook分组统计的逻辑，因此无法得到目标结果：

result = np.where(df.columns.values == 'label')
result1 = np.where(df.columns.values == 'Outlook')
lst = rows[:, [result, result1]]
uni, data = np.unique(lst, return_counts=True)

解决方案 #

方法1：使用Pandas交叉表（简单高效） #

利用pd.crosstab直接生成分组统计结果，再添加总数列：

import pandas as pd

# 生成DataFrame
df = pd.DataFrame(data_dict)

# 生成Outlook与label的交叉统计
cross_tab = pd.crosstab(df['Outlook'], df['label'])
# 添加每行总数
cross_tab['All'] = cross_tab.sum(axis=1)
# 调整列顺序匹配期望
cross_tab = cross_tab[['No', 'Yes', 'All']]

print(cross_tab)

运行输出：

label     No  Yes  All
Outlook               
Overcast   0    4    4
Rainy      2    3    5
Sunny      3    2    5

方法2：纯NumPy实现 #

如果需要基于NumPy数组处理，可按以下步骤分组统计：

import numpy as np
import pandas as pd

df = pd.DataFrame(data_dict)
# 转换为NumPy数组
data_array = df.to_numpy()
# 获取列索引
outlook_col = df.columns.get_loc('Outlook')
label_col = df.columns.get_loc('label')

# 获取唯一的Outlook值
unique_outlooks = np.unique(data_array[:, outlook_col])
# 定义要统计的label值
target_labels = ['No', 'Yes']

# 初始化统计矩阵：每行对应一个Outlook，列依次为No、Yes、All
stats = np.zeros((len(unique_outlooks), 3), dtype=int)

for idx, outlook in enumerate(unique_outlooks):
    # 筛选当前Outlook的所有行
    mask = data_array[:, outlook_col] == outlook
    # 统计当前组内No和Yes的数量
    for label_idx, label in enumerate(target_labels):
        stats[idx, label_idx] = np.sum(data_array[mask, label_col] == label)
    # 计算当前组的总数量
    stats[idx, 2] = np.sum(mask)

# 转换为结构化结果
result = pd.DataFrame(stats, index=unique_outlooks, columns=['No', 'Yes', 'All'])
print(result)

运行结果与方法1一致。

内容的提问来源于stack exchange，提问作者N K