scipy.stats.mode 不可靠，因强制转 int64、不处理 NaN/多众数/非整数，且返回升维 ModeResult；推荐用 np.unique 或 bincount 自定义逻辑。
scipy.stats.mode 不是求众数的可靠选择，尤其对 NumPy 数组——它默认返回第一个出现的众数，且不处理多众数、NaN 或非整数类型等常见情况。
scipy.stats.mode 为什么容易出错
这个函数表面看是“求众数”，但实际行为和多数人预期差距很大：
- 它把输入强制转成
int64（哪怕你传的是float64或str），导致小数被截断、字符串报错 - 遇到多个众数时，只返回排序后第一个（不是任意一个，而是按值大小排后的首个），比如
[1, 2, 2, 3, 3]返回2而非报错或返回全部 - 对含
np.nan的数组直接崩溃（ValueError: The first argument of mode must not contain NaNs） - 返回的是一个
ModeResult对象，.mode和.count都是ndarray，且维度可能意外升维（如输入一维，输出二维）
更稳妥的替代方案：用 scipy.stats.mode + 手动预处理
如果你必须用 scipy.stats.mode（例如项目已有依赖），至少要加三层防护：
- 先用
np.isnan()过滤掉nan（或用pd.Series.dropna()如果允许引入 pandas） - 对浮点数组，改用
np.round(arr, decimals=5)后转int模拟离散化（慎用，精度敏感场景不行） - 调用时显式指定
keepdims=False和axis=None，避免维度混乱；再用.mode[0]取标量值 - 检查
.count是否等于数组长度（判断是否全相同）或是否为 1（所有值唯一）
示例：
立即学习“Python免费学习笔记（深入）”；
import numpy as np from scipy.stats import mode <p>arr = np.array([1.1, 1.1, 2.2, 2.2, 3.3]) clean = arr[~np.isnan(arr)] # 去 nan rounded = np.round(clean, 2)</p><h1>转 int 仅当值域合理；否则用下面的纯 NumPy 方案</h1><p>mode_val = mode(rounded.astype(int), keepdims=False, axis=None).mode[0]
推荐做法：用纯 NumPy + bincount 或 unique 实现可控众数
对整数数组，np.bincount 最快最稳；对任意类型（包括字符串、浮点），用 np.unique 更通用：
- 整数型（正整数）：
np.argmax(np.bincount(arr))，注意arr.min() >= 0，否则先平移 - 通用型（含负数、浮点、字符串）：
vals, counts = np.unique(arr, return_counts=True); vals[np.argmax(counts)] - 要支持多众数？把
np.argmax换成np.where(counts == counts.max())，再索引vals - 要跳过
nan？在np.unique前加arr = arr[~np.isnan(arr)]（注意：仅对数值型有效；字符串需用pd.notna或手动过滤）
一句话封装（单众数，忽略 nan）：
def get_mode(arr):
arr = np.asarray(arr)
if np.issubdtype(arr.dtype, np.number):
arr = arr[~np.isnan(arr)]
vals, counts = np.unique(arr, return_counts=True)
return vals[np.argmax(counts)]真正麻烦的地方不在“怎么写”，而在“怎么定义众数”——是取第一个最大频次的值？所有最大频次的值？是否合并近似浮点？是否保留原始 dtype？这些业务逻辑必须自己定，库不会替你决定。
