Python实现MNIST各数字样本数统计与训练集图像可视化

首先确保你已经导入了所需依赖：

import numpy as np
import matplotlib.pyplot as plt

直接使用numpy的bincount方法即可快速完成计数，针对你已经加载好的训练集、测试集标签数组，代码如下：

# 标签从loadtxt读取后默认是float类型，先转成int，指定minlength确保输出长度固定为10
train_class_count = np.bincount(t_train.astype(np.int32), minlength=10)
test_class_count = np.bincount(t_test.astype(np.int32), minlength=10)

# 打印统计结果
for num in range(10):
    print(f"类别{num}：训练集{train_class_count[num]}个样本，测试集{test_class_count[num]}个样本")

说明：np.bincount会统计数组中每个非负整数的出现频次，针对MNIST这种标签为0-9连续整数的场景，比通用的value_counts方法效率更高。

采用10行9列的子图布局，每行对应一个数字类别，每行展示9张该类别的样本，代码如下：

# MNIST默认图像尺寸为28*28，如果你之前未定义该变量请补充
image_size = 28

# 初始化画布，10行对应0-9共10个数字，9列对应每类展示9张图
fig, axes = plt.subplots(nrows=10, ncols=9, figsize=(9, 10))
# 调整子图间距，避免标签、图像重叠
plt.subplots_adjust(wspace=0.03, hspace=0.25)

for digit in range(10):
    # 筛选出当前数字在训练集中的所有样本索引
    sample_idx = np.where(t_train == digit)[0]
    # 随机抽取9个不重复的样本索引，不需要随机可替换为 sample_idx[:9] 取前9个
    selected_idx = np.random.choice(sample_idx, size=9, replace=False)
    
    # 逐张绘制图像
    for col, idx in enumerate(selected_idx):
        ax = axes[digit, col]
        # 将一维784维像素向量重构为28*28的二维图像，用灰度色阶显示
        ax.imshow(X_train[idx].reshape(image_size, image_size), cmap="gray")
        # 隐藏坐标轴刻度和边框
        ax.axis("off")
        # 在每行第一列的子图上标注当前类别
        if col == 0:
            ax.set_title(f"数字 {digit}", fontsize=10)

plt.show()

说明：如果需要每类展示更多样本，只需修改子图的ncols参数和np.random.choice的size参数即可。

内容的提问来源于stack exchange，提问作者user15295241