用 np.unique 处理二维数组按行去重时必须指定 axis=0,否则默认展平;浮点数需先 round 再去重;需保序时应配合 return_index 使用或改用 pandas。

用 np.unique 处理二维数组时必须指定 axis=0
默认情况下 np.unique 会把整个数组展平再去重,对二维数组直接调用只会返回所有元素的唯一值,而不是“唯一行”。要按行去重,axis=0 是硬性要求——它告诉 NumPy 按第一维(即逐行)比较。
常见错误是写成 np.unique(arr) 或 np.unique(arr, axis=1)(后者是去重列,不是行)。
-
axis=0:保留原始行结构,只留下首次出现的重复行 - 返回值默认是去重后的数组;加
return_index=True可拿到原数组中各行首次出现的位置索引 - 若原数组含浮点数,注意
np.unique基于精确相等判断,小数精度差异会导致本该合并的行被当作不同行
浮点数组去重前建议先做数值归一化或舍入
比如坐标点、模型输出等常含微小误差,np.unique 不会自动容错。直接用会导致看似重复的行无法合并。
稳妥做法是先用 np.round 或 np.around 统一精度:
立即学习“Python免费学习笔记(深入)”;
import numpy as np
arr = np.array([[1.0000001, 2.0000003],
[1.0000002, 2.0000004],
[3.0, 4.0]])
# 直接 unique → 三行全保留
# 改为:
arr_rounded = np.round(arr, decimals=5)
unique_rows = np.unique(arr_rounded, axis=0)注意:decimals 要根据数据量级和误差范围选,太小没效果,太大可能误合并。
需要保留原始顺序?别用 np.unique 默认行为
np.unique 返回的数组默认按字典序升序排列,不是按首次出现顺序。如果业务依赖原始行序(比如日志时间序列、样本索引对齐),得手动保序。
- 方案一:用
return_index=True获取首次出现位置,再排序索引:_, idx = np.unique(arr, axis=0, return_index=True); result = arr[np.sort(idx)] - 方案二:更直观的是用
np.vstack({tuple(row) for row in arr})(仅限可哈希类型,如 int/float,且不保证顺序稳定) - 方案三:用
pandas.DataFrame.drop_duplicates,天然保序,但引入 pandas 依赖
大数组性能差异明显:避免在循环里反复调用 np.unique
对千万级行数组,np.unique(..., axis=0) 时间复杂度接近 O(n log n),内部做了排序。如果在实时处理流程中频繁调用(比如每帧图像特征去重),容易成为瓶颈。
优化方向:
- 提前批量处理,而非逐批调用
- 若只需判断某行是否已存在,改用
set(tuple(row) for row in arr)构建查找表(内存换时间) - 确认 dtype 是否必要:
float64比float32去重更慢,且更容易因精度问题失效
真正难的不是写对那一行代码,而是想清楚:你到底要“数学意义的相等”,还是“业务意义的近似”;是要结果最简,还是要顺序可追溯;以及——这数组下次会不会突然变大十倍。


















