我能够逐个元素地获取多个列表/数组的总和，按照
sum([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]) = array([ 2, 4, 6, 8, 10])
我想对数组中每个元素的模式做类似的事情，并得到预期的结果：
mode([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]) = array([ 1, 2, 3, 4, 5](
在没有单一模式的情况下，我想在其中一个数组中随机选择元素作为输出，如下所示：
mode([np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]) = array([ 1, 2, 9, 4, 0](
最后，我希望能够在任意数量的等长数组中执行此操作。
注意：我尝试使用统计信息库模式，并收到以下错误：
>>> mode([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])])
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/anaconda3/lib/python3.7/statistics.py", line 501, in mode
table = _counts(data)
File "/anaconda3/lib/python3.7/statistics.py", line 252, in _counts
table = collections.Counter(iter(data)).most_common()
File "/anaconda3/lib/python3.7/collections/__init__.py", line 566, in __init__
self.update(*args, **kwds)
File "/anaconda3/lib/python3.7/collections/__init__.py", line 653, in update
_count_elements(self, iterable)
TypeError: unhashable type: 'numpy.ndarray'
仅使用列表时，它还会引发错误。
因此，我正在寻找实现这一目标的方法。
一个关键要求是跨数组元素的模式输出向量必须与每个向量的长度相同(我将把它输入到一个混淆矩阵中，以便与参考向量进行比较(。
您可以使用scipy.stats.mode找到该模式。您还可以将多个 numpy 数组连接成一个数组，然后将其馈送到模式。
import numpy as np
import scipy.stats
arrays = [np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]
result = scipy.stats.mode(np.concatenate(arrays))
# ModeResult(mode=array([0]), count=array([2]))
result.mode
# array([0])
scipy.stats.mode的返回值是一个命名元组ModeResult，其中包括模式和值出现的次数。
要查找每列的模式，您可以将数组堆叠成 2D 数组，然后沿第一个轴查找模式。
arrays = [
np.array([0, 2, 3, 4, 0]),
np.array([1, 2, 9, 4, 5]),
np.array([0, 9, 9, 4, 1])]
result = scipy.stats.mode(np.stack(arrays), axis=0)
result.mode
# array([[0, 2, 9, 4, 0]])
用你的两个例子：
In [358]: alist = [np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]
In [359]: alist1 = [np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]
两个来源：
In [360]: import statistics
In [361]: from scipy import stats
有了zip(*alist)我们可以采用相应的"对"模式：
In [362]: [statistics.mode(foo) for foo in zip(*alist)]
Out[362]: [1, 2, 3, 4, 5]
In [363]: [statistics.mode(foo) for foo in zip(*alist1)]
....
StatisticsError: no unique mode; found 2 equally common values
mode文档警告此错误。
scipy版本将列表转换为 2d 数组;
In [365]: stats.mode(alist,axis=0)
Out[365]: ModeResult(mode=array([[1, 2, 3, 4, 5]]), count=array([[2, 2, 2, 2, 2]]))
In [366]: stats.mode(alist1,axis=0)
Out[366]: ModeResult(mode=array([[0, 2, 3, 4, 0]]), count=array([[1, 2, 1, 2, 1]]))
In [367]: np.array(alist1)
Out[367]:
array([[0, 2, 3, 4, 0],
[1, 2, 9, 4, 5]])
stats.mode代码是Python，所以可以研究。 通过这样的轴选择，它显然对列进行迭代，对每个列采用 1d 模式。 因此，速度将与列表理解案例相当。 但对StatsError案件的处理是不同的。
但是我们可以使用一些实用程序来处理错误情况：
In [375]: def myfn(foo):
...: try:
...: return statistics.mode(foo)
...: except statistics.StatisticsError:
...: return None # or a random value
...:
In [376]: [myfn(foo) for foo in zip(*alist)]
Out[376]: [1, 2, 3, 4, 5]
In [377]: [myfn(foo) for foo in zip(*alist1)]
Out[377]: [None, 2, None, 4, None]
列表理解时间是有利的：
In [378]: timeit [myfn(foo) for foo in zip(*alist1)]
73.6 µs ± 278 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [379]: timeit stats.mode(alist1,axis=0)
384 µs ± 1.09 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)