二维NumPy数组元素替换为出现次数的实现方案问询

你的思路完全正确——先统计每个元素的全局出现次数，再把原数组里的每个元素替换成对应的计数，这是最直接也最容易理解的方案。我来给你具体拆解实现步骤，还有两种不同效率的写法供你选择：

步骤1：统计元素的全局出现次数 #

我们可以用NumPy自带的np.unique()函数，它能一次性返回去重后的元素和每个元素的出现次数，正好用来生成我们需要的映射字典：

import numpy as np

# 定义原数组
original_arr = np.array([[2,2,3,3], [2,3,3,3], [3,3,4,4]])

# 获取唯一元素列表和对应的出现次数数组
unique_elements, element_counts = np.unique(original_arr, return_counts=True)

# 把两个数组打包成字典，键是元素，值是出现次数
count_mapping = dict(zip(unique_elements, element_counts))

执行完这段代码后，count_mapping就是{2:3, 3:7, 4:2}，完全符合你的需求。

步骤2：将原数组元素替换为对应次数 #

这里有两种写法，分别适合不同场景：

方法1：简洁直观的向量化函数（适合小到中等规模数组） #

用np.vectorize()把字典的查找逻辑转换成能处理整个数组的向量化函数：

# 创建向量化的映射函数
map_to_count = np.vectorize(lambda x: count_mapping[x])

# 生成结果数组
result_arr = map_to_count(original_arr)

方法2：高效的索引映射（适合大规模数组） #

np.unique()返回的unique_elements是排序后的数组，所以我们可以用np.searchsorted()快速找到每个元素在排序数组中的位置，再用这个位置去索引element_counts数组，这种写法完全是NumPy的底层向量化操作，比vectorize快得多：

# 找到原数组每个元素在unique_elements中的索引位置
element_indices = np.searchsorted(unique_elements, original_arr)

# 用索引获取对应的出现次数
result_arr = element_counts[element_indices]

验证结果 #

不管用哪种方法，执行后打印result_arr都会得到你想要的结果：

print(result_arr)
# 输出：
# [[3 3 7 7]
#  [3 7 7 7]
#  [7 7 2 2]]

额外小贴士 #

• 这个方案支持所有类型的NumPy数组元素（比如负数、浮点数），只要元素是可哈希的就行。
• 如果你的数组非常大（比如百万级以上元素），一定要选第二种索引映射的方法，避免vectorize带来的隐性循环开销。

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