如何统计二维numpy数组中包含一维数组全部元素的行数？

嘿，这个问题我之前在处理numpy数组匹配需求时碰到过，刚好可以分享几个高效的解法，尤其是针对大规模数据的最优方案！

要高效统计二维numpy数组里包含一维数组所有元素的行数，核心是避开Python循环，用numpy的向量化操作——毕竟numpy的C底层加速可不是盖的。具体实现思路和代码如下：

核心逻辑 #

我们需要检查：对一维目标数组里的每个元素，它是否在二维数组的某一行中至少出现一次；只有当所有目标元素都满足这个条件时，这一行才算数。

代码实现 #

import numpy as np

def count_rows_containing_all(elements, test_elements):
    test_arr = np.array(test_elements)
    # 生成布尔数组，标记二维数组每个位置是否等于目标数组里的对应元素
    matches = test_arr == elements[:, :, None]
    # 对每行求和，得到每行中每个目标元素的出现次数
    element_counts_per_row = matches.sum(axis=1)
    # 检查每行是否所有目标元素都至少出现一次，最后统计符合条件的行数
    return np.all(element_counts_per_row >= 1, axis=1).sum()

验证你的示例 #

咱们用你给的例子测试一下：

第一个例子 #

elements = np.arange(4).reshape((2, 2))
test_elements = [2, 3]
print(count_rows_containing_all(elements, test_elements)) # 输出：1，和预期一致

第二个例子 #

elements = np.arange(15).reshape((5, 3))
test_elements = [4, 3]
print(count_rows_containing_all(elements, test_elements)) # 输出：1，正确

第三个例子 #

elements = np.arange(15).reshape((5, 3))
test_elements = [3, 4, 10]
print(count_rows_containing_all(elements, test_elements)) # 输出：0，完美匹配预期

为啥这是最优解？ #

• 速度快：全程没有Python层面的循环，所有计算都在numpy的C后端完成，处理几十万甚至上百万行的数组时，比循环方法快几十倍都不夸张。
• 灵活度高：如果你的目标数组有重复元素（比如test_elements = [3,3]），只需把条件从>=1改成>=2，就能统计出包含至少两个3的行数。
• 可读性强：每一步的操作意图都很清晰，后续维护起来也方便。

备选方案（适合小规模数组） #

要是你的数组规模很小，也可以用更直观的集合方法，代码更简洁，但数据量大时性能会明显下降：

def count_rows_containing_all_simple(elements, test_elements):
    test_set = set(test_elements)
    return sum(test_set.issubset(row) for row in elements)

这个方法就是遍历每行，把行转成集合后检查目标集合是不是它的子集，简单易懂，但大规模数据下就不如向量化方法高效了。

内容的提问来源于stack exchange，提问作者DavidJM