如何用numpy等库基于二维数组每行众数生成一维数组

方案1：scipy实现（最简洁） #

直接使用scipy.stats.mode按行计算众数，搭配简单的条件判断即可实现需求，性能远高于原生Python循环：

import numpy as np
from scipy import stats

# asLabels为输入二维数组，maxLabel为预设兜底值
modes, counts = stats.mode(asLabels, axis=1, keepdims=False)
# 统计每行有多少个元素的出现次数等于最高次数
multi_mode_flag = np.apply_along_axis(
    lambda x: np.sum(np.bincount(x) == counts[0]) > 1, 
    axis=1, 
    arr=asLabels
)
# 生成结果：仅单个众数时取众数，否则取maxLabel
labels = np.where(multi_mode_flag, maxLabel, modes)

方案2：纯NumPy实现（无额外依赖） #

如果不想引入scipy依赖，可通过numpy内置函数实现，适合标签为非负整数的场景：

import numpy as np

n_rows = asLabels.shape[0]
labels = np.full(n_rows, fill_value=maxLabel, dtype=asLabels.dtype)

for i in range(n_rows):
    cnt = np.bincount(asLabels[i])
    max_cnt = cnt.max()
    mode_candidates = np.where(cnt == max_cnt)[0]
    if len(mode_candidates) == 1:
        labels[i] = mode_candidates[0]

补充说明 #

• 两种方案的运行效率都远高于你原来使用标准库multimode的实现，数据量越大性能优势越明显
• 如果标签包含负数、浮点数，纯numpy实现需要先把标签映射为非负整数再使用bincount，这类场景更推荐用scipy方案

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