
本文详解如何在python中对二维列表(如二值矩阵)分别执行两种核心操作:按行提取连续的1的长度序列,以及按列统计每列中1的总数。
本文详解如何在python中对二维列表(如二值矩阵)分别执行两种核心操作:按行提取连续的1的长度序列,以及按列统计每列中1的总数。
在处理二值数据(如图像掩码、逻辑网格或状态矩阵)时,常需从不同维度解析 1 的分布模式。典型需求包括:识别每行中连续的 1 段并记录其长度(例如用于检测连通区域),以及沿列方向统计 1 的出现频次(例如计算各特征维度的激活强度)。下面以示例二维列表 [[0, 1, 0, 1, 0], [1, 1, 1, 1, 1], [0, 1, 1, 1, 0]] 为基准,提供清晰、可复用的实现方案。
✅ 行方向:提取连续 1 的长度序列
该任务本质是「行内游程编码(Run-Length Encoding, RLE)」的简化版——仅关注 1 的连续段,遇 0 则切分并记录当前累计长度。注意:题目要求“若全为 0,则输出空列表(而非 [0])”,因此不显式插入 0,仅当存在 1 段时才追加。
def get_consecutive_ones_rows(matrix):
result = []
for row in matrix:
current_length = 0
row_segments = []
for val in row:
if val == 1:
current_length += 1
else:
if current_length > 0:
row_segments.append(current_length)
current_length = 0
# 处理末尾连续1(如[1,1,1]结尾)
if current_length > 0:
row_segments.append(current_length)
result.append(row_segments)
return result
# 示例调用
L = [[0, 1, 0, 1, 0], [1, 1, 1, 1, 1], [0, 1, 1, 1, 0]]
print(get_consecutive_ones_rows(L))
# 输出: [[1, 1], [5], [3]]⚠️ 注意事项:
- 输入需为非空二维列表,且每行长度一致(否则列操作会出错);
- 函数忽略
0的连续段,仅输出1的段长度;若某行无1,对应结果为空列表[](符合题目语义)。
✅ 列方向:逐列统计 1 的数量
此操作即对矩阵做「垂直求和」,等价于 numpy.sum(matrix, axis=0),但纯 Python 实现更轻量、无需依赖外部库。关键在于确保所有行具有相同列数,并安全访问 matrix[row][col]。
def sum_ones_by_column(matrix):
if not matrix or not matrix[0]:
return []
num_cols = len(matrix[0])
column_sums = []
for col_idx in range(num_cols):
col_sum = sum(1 for row in matrix if row[col_idx] == 1)
column_sums.append(col_sum)
return column_sums
# 示例调用
print(sum_ones_by_column(L))
# 输出: [1, 3, 2, 3, 1]你也可以用更简洁的列表推导式实现:
column_sums = [sum(row[j] for row in L) for j in range(len(L[0]))]
(因输入为 0/1 整数,直接求和等价于计数)
? 总结与扩展建议
- 两个函数解耦设计,便于独立复用或组合调用;
- 时间复杂度均为 O(m×n)(m 行,n 列),空间复杂度 O(n)(列统计)或 O(m×n)(最坏情况下每行全是孤立
1); - 若需处理大规模数据,推荐使用 NumPy:
np.diff()配合布尔索引可高效实现 RLE;np.sum(matrix, axis=0)直接完成列求和; - 进阶场景可扩展为:支持自定义值(不限于
1)、返回起始位置与长度元组、处理稀疏矩阵等。
通过以上方法,你已掌握二维二值数据的两种基础但高频的分析范式——既可洞察行内结构模式,又能评估列间统计分布。

















