numpy二维数组按行统计众数，同分返回最大值的实现方法

你当前使用的np.bincount(row).argmax()逻辑存在的问题是：该方法会返回第一个达到最大计数值的索引，而np.bincount返回的计数数组索引是从小到大排列的，所以多个数值出现次数相同时，只会返回最小的数值，不符合「平票取最大值」的要求。

方案1：修改列表推导（易理解，适合小数组） #

对每一行的计数结果，先筛选出所有达到最大计数值的索引，直接取最大索引即可：

import numpy as np

Nbank = np.array([[2, 3, 1],
                  [1, 2, 2],
                  [3, 2, 1],
                  [3, 2, 1],
                  [2, 3, 2],
                  [2, 2, 3],
                  [1, 1, 3],
                  [2, 1, 1],
                  [2, 2, 3],
                  [1, 1, 1],
                  [2, 1, 1],
                  [2, 3, 1],
                  [1, 2, 1]])

most_f = np.array([np.max(np.where(np.bincount(row) == np.bincount(row).max())[0]) for row in Nbank])

运行后输出结果为array([3, 2, 3, 3, 2, 2, 1, 1, 2, 1, 1, 3, 1])，完全符合需求。

方案2：权重偏移法（代码更简洁） #

给每个计数值添加一个极小的、和索引成正比的偏移量，该偏移量不会改变计数值本身的大小排序，只会让相同计数的情况下数值更大的索引最终排序更高，直接用argmax即可得到结果：

most_f = np.array([(np.bincount(row) + np.arange(np.bincount(row).size) * 1e-12).argmax() for row in Nbank])

方案3：向量化实现（适合超大数组） #

如果需要处理行数极多的数组，可使用纯numpy向量化操作避免Python层循环，大幅提升性能：

max_val = Nbank.max()
# 广播统计每行各数值的出现次数
counts = (Nbank[..., None] == np.arange(max_val + 1)).sum(axis=1)
# 倒序查找最大计数的第一个索引，换算得到最大数值
most_f = counts.shape[1] - 1 - np.argmax(counts[:, ::-1], axis=1)

内容的提问来源于stack exchange，提问作者Omar Zaki