Python中如何统计NumPy数组中各元素出现的次数_使用unique函数及其参数

用np.unique统计频次需显式设return_counts=True，返回values和counts两个数组；多维数组须先扁平化；axis参数与return_counts=True互斥；非负整数可用更快的np.bincount，但不支持浮点、负数；浮点数需预处理防精度误差。

如何用 np.unique 统计数组中每个元素的出现次数

直接调用 np.unique 并设置 return_counts=True 即可拿到元素值和对应频次两个数组，这是最常用也最稳妥的方式。

常见错误是只写 np.unique(arr) 就以为能返回次数——它默认只去重并排序，不统计频次。

• 必须显式传入 return_counts=True，否则返回值长度为1，不会包含计数结果
• 返回顺序固定：values, counts = np.unique(arr, return_counts=True)，不能颠倒
• 输入必须是 1D 数组；若为多维，需先扁平化（arr.ravel() 或 arr.flatten()）

示例：

import numpy as np
arr = np.array([1, 2, 2, 3, 3, 3])
vals, counts = np.unique(arr, return_counts=True)
# vals → array([1, 2, 3]), counts → array([1, 2, 3])

为什么 axis 参数在统计频次时基本用不上

np.unique 的 axis 参数仅控制“沿哪个轴去重”，但**不支持按轴统计频次**。一旦指定 axis，return_counts=True 会报错或行为异常（NumPy 1.20+ 报 ValueError: The 'axis' parameter is not supported when 'return_counts' is True）。

也就是说：要统计频次，就必须先展平；想保留结构维度做分块统计，得手动切片或用 scipy.stats.itemfreq（已弃用）或 np.bincount（仅限非负整数）替代。

• 对二维数组逐行统计？用列表推导：[np.unique(row, return_counts=True) for row in arr]
• 想统计每列出现最多的值？先转置再用 unique，但频次仍得单列算
• axis=0 或 axis=1 + return_counts=True 是无效组合，直接抛异常

np.bincount 比 unique 快，但限制极多

当数组是**非负整数**且值域不太大（比如像素值、类别标签 0~255）时，np.bincount 是更快的选择，它内部用 C 实现计数，时间复杂度接近 O(n)。

爱派AiPy

融合LLM与Python生态的开源AI智能体

但它不处理浮点数、负数、字符串，也不返回实际出现的值（只返回下标为值、内容为频次的数组），容易误读结果。

• np.bincount([0, 1, 1, 3]) → array([1, 2, 0, 1])，注意索引 2 处是 0（表示值 2 没出现）
• 含负数？先偏移：arr_min = arr.min(); np.bincount(arr - arr_min)，但得自己记偏移量
• 含浮点数？必须先量化或转整数，否则报 TypeError: array cannot be safely cast to required type

遇到重复浮点数统计不准，不是 bug，是精度问题

浮点数在计算机中无法精确表示，np.unique 默认使用严格相等判断（==），所以 0.1 + 0.2 和 0.3 在 NumPy 中很可能被识别为不同元素。

这不是函数缺陷，而是浮点语义本身的问题。解决思路不是换函数，而是预处理：

• 四舍五入到固定小数位：np.round(arr, decimals=5) 再传给 unique
• 用 np.isclose 手动聚类（适合小数组，性能差）
• 改用 pandas.cut 分箱后统计，更适合分析场景

别指望 unique 自带容差参数——它没有，也没计划加。