statistics.mode()要求唯一众数，否则抛StatisticsError；推荐用collections.Counter.most_common(1)获取首个众数及频次，或筛选全部众数。
用 statistics.mode() 算众数，但数据有并列就直接报错
Python 标准库的 statistics.mode() 只接受「严格唯一众数」的数据：只要有两个或以上值出现频次并列最高，它立刻抛出 StatisticsError。这不是 bug，是设计如此——它要的是「那个最常出现的值」，而不是「所有高频候选」。
常见错误现象：StatisticsError: no unique mode; found 2 equally common values
适用场景：你明确知道输入数据一定有唯一众数（比如某次问卷单选题的投票结果），且能容忍异常中断流程。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 如果只是想快速验证是否存在唯一众数，用
try/except包一层statistics.mode() - 别把它当通用频次统计工具用——它不返回频次，也不处理多众数、空数据、非标量类型（如字典列表）
- 对浮点数或带误差的数值慎用，
1.0和1.0000001被视为不同值
collections.Counter.most_common(1) 是更稳的众数起点
真正干活时，Counter 才是 Python 里最可靠的第一站。它不假设唯一性，不挑数据类型（只要可哈希），还能顺手拿到频次。
示例：
from collections import Counter data = [1, 2, 2, 3, 3, 4] c = Counter(data) mode_val, mode_count = c.most_common(1)[0] # 得到 (2, 2) 或 (3, 2)，取决于插入顺序
注意：most_common(1) 只取第一个最高频项，不保证是“最小值”或“最早出现”的众数；若需全部众数，得自己筛：[k for k, v in c.items() if v == max(c.values())]
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
容易踩的坑：
-
Counter对不可哈希类型（如list,dict）直接报TypeError，得先转成可哈希形式（如tuple） - 空列表传给
Counter().most_common(1)返回空列表，下标取[0]会IndexError，务必判空 - 字符串、字节串会被拆成字符/字节计数，不是按整个字符串算频次——要算词频得先
.split()或用Counter(words)
NumPy 的 scipy.stats.mode() 和 numpy.unique() 各有边界
科学计算场景下，别只盯着 scipy.stats.mode()——它默认返回第一个众数 + 频次，但 axis 参数行为反直觉：对二维数组，默认按列算，且返回的是 ModeResult 对象，不是裸数字。
更透明的做法是组合 numpy.unique()：
import numpy as np arr = np.array([1, 2, 2, 3, 3]) vals, counts = np.unique(arr, return_counts=True) mode_val = vals[np.argmax(counts)]
性能与兼容性影响：
-
np.unique()自动去重排序，如果原始顺序重要（比如想保留首次出现位置），就得换scipy.stats.mode()或手写逻辑 -
scipy.stats.mode()对 NaN 不友好：默认把 NaN 当有效值计数；np.unique()则直接跳过 NaN（除非显式设return_counts=True并配合np.isnan()单独处理） - 整数数组用
np.bincount()更快，但它要求值是非负整数且范围不大，否则内存爆炸
自定义众数函数必须处理这三类边界
写一个真正鲁棒的 mode()，绕不开三个现实问题：空输入、多众数、非标量元素。
实操建议（以 list 输入为例）：
- 空输入：统一返回
None或抛ValueError，别让调用方猜 - 多众数：提供参数
keep_all=False（默认只返一个）、keep_all=True（返 list），别硬编码成只取第一个 - 非标量元素（如
[{'a':1}, {'a':1}]）：提前用json.dumps(..., sort_keys=True)或tuple(sorted(d.items()))归一化为可哈希形式
复杂点往往藏在「怎么定义相等」里：NaN == NaN 是 False，但它们该被算作同一个众数；datetime 有时区差异；字符串要考虑大小写和空白。这些没法靠一个函数兜底，得按业务定规则。
