
本文详解如何对二维列表(矩阵)分别执行两类关键操作:一是按行提取连续的1并分组计数;二是沿列方向统计每列中1的总数。提供可直接运行的python函数、清晰逻辑说明及实用注意事项。
本文详解如何对二维列表(矩阵)分别执行两类关键操作:一是按行提取连续的1并分组计数;二是沿列方向统计每列中1的总数。提供可直接运行的python函数、清晰逻辑说明及实用注意事项。
在数据预处理、图像二值分析或序列模式识别等场景中,常需对二维布尔型数组(如 0/1 矩阵)进行结构化统计。典型需求包括:按行识别连续的 1 段并记录其长度(例如 [0,1,0,1,0] → [1,1]),以及按列汇总每列中 1 的出现频次(即列向求和)。下面将用简洁、健壮的 Python 实现完成这两项任务。
✅ 任务一:按行提取连续 1 的长度列表
核心思路是逐行遍历,维护一个计数器 ones:遇到 1 则累加;遇到 0 且 ones > 0 时,将当前计数值追加到子结果中,并重置计数器;行末若仍有未提交的 ones,需额外追加一次。
def get_consecutive_ones(rows):
"""
对二维列表的每一行,返回连续1的长度列表。
示例输入: [[0,1,0,1,0], [1,1,1,1,1], [0,1,1,1,0]]
示例输出: [[1, 1], [5], [3]]
"""
result = []
for row in rows:
ones = 0
sub_result = []
for x in row:
if x == 1:
ones += 1
else:
if ones > 0:
sub_result.append(ones)
ones = 0
if ones > 0: # 行尾仍有连续1
sub_result.append(ones)
result.append(sub_result)
return result⚠️ 注意:该函数默认输入为非空二维列表,且每行元素均为
0或1。若存在非法值(如None、2),建议前置校验或使用assert all(x in (0, 1) for x in row)增强鲁棒性。
✅ 任务二:按列统计 1 的总数(列向求和)
只需固定列索引 col_idx,遍历所有行,累加 matrix[row][col_idx] 即可。为确保列索引安全,应以首行长度为基准(假设矩阵为规则矩形):
def sum_column_ones(matrix, col_idx):
"""返回指定列中1的总数"""
if not matrix or not matrix[0]:
return 0
return sum(1 for row in matrix if len(row) > col_idx and row[col_idx] == 1)
# 批量处理所有列
def column_wise_sum(matrix):
"""返回每列中1的总数列表,长度等于列数"""
if not matrix or not matrix[0]:
return []
num_cols = len(matrix[0])
return [sum_column_ones(matrix, j) for j in range(num_cols)]结合使用示例:
L = [[0, 1, 0, 1, 0],
[1, 1, 1, 1, 1],
[0, 1, 1, 1, 0]]
print("连续1分组结果:", get_consecutive_ones(L))
# 输出: [[1, 1], [5], [3]]
col_sums = column_wise_sum(L)
for idx, s in enumerate(col_sums):
print(f"第{idx}列中1的个数: {s}")
# 输出:
# 第0列中1的个数: 1
# 第1列中1的个数: 3
# 第2列中1的个数: 2
# 第3列中1的个数: 3
# 第4列中1的个数: 1? 总结与扩展建议
- 两个函数时间复杂度均为 O(m×n)(m 行,n 列),空间复杂度 O(m×n)(存储结果),属最优实现;
- 若需更高性能(尤其大数据量),可考虑使用 NumPy 向量化操作:
np.diff()配合布尔索引快速定位连续段起点,np.sum(axis=0)直接列求和; - 实际应用中,建议封装为类(如
BinaryMatrixAnalyzer),支持链式调用与配置选项(如是否忽略全零行、是否返回稀疏格式等)。
掌握这两种基础但高频的二维数组操作,将显著提升你在算法题、数据分析及CV预处理中的编码效率与代码可读性。

















