如何用Numpy等工具高效计算多组二进制数组的成对准确率？

给定若干长度相同的二进制数组，我们需要计算每对数组间的成对准确率（即两数组元素相等的比例）。比如输入数组：

A = [[1,1,1], [0,1,0], [1,1,0]]

期望输出一个对称矩阵，其中每个位置(i,j)对应第i个和第j个数组的元素相等比例。

解决方案 #

利用Numpy的向量化广播机制，无需多层循环即可高效完成计算，步骤如下：

1. 导入依赖并转换数组为Numpy格式

import numpy as np
from fractions import Fraction  # 用于格式化输出分数

# 转换输入为Numpy数组
A = np.array([[1,1,1], [0,1,0], [1,1,0]])

2. 向量化计算成对准确率
   通过广播实现两两数组的元素比较，再沿元素维度取平均值：

# 广播实现两两元素比较，计算相等比例
pair_accuracy = (A[:, None, :] == A[None, :, :]).mean(axis=-1)

3. 格式化输出（匹配示例样式）
   如果需要输出类似示例的分数/小数混合格式，可以遍历矩阵元素进行转换：

# 遍历每行，格式化输出
for row in pair_accuracy:
    formatted_items = []
    for val in row:
        if val == 1.0:
            formatted_items.append("1. ")
        else:
            frac = Fraction(val).limit_denominator()
            formatted_items.append(f"{frac.numerator}/{frac.denominator}")
    # 对齐格式输出
    print("{:>4}, {:>4}, {:>4}".format(*formatted_items))

运行结果 #

执行上述代码后，输出与示例完全一致：

1. ,  1/3,  2/3
 1/3,   1. ,  2/3
 2/3,  2/3,   1. 

原理说明 #

• 广播机制：A[:, None, :]将原数组形状从(n, m)转为(n, 1, m)，A[None, :, :]转为(1, n, m)，两者广播后形成(n, n, m)的三维数组，每个位置存储对应两个数组元素的相等判断结果（True=1，False=0）。
• 均值计算：mean(axis=-1)沿最后一维（元素维度）取平均，直接得到每对数组的元素相等比例，避免了Python循环的性能开销。

内容的提问来源于stack exchange，提问作者Jane Sully