假设我在python中有以下列表：

a = [1,2,3,1,2,1,1,1,3,2,2,1]

如何以一种简洁的方式在此列表中找到最频繁的号码？

如果您的列表包含所有非负整数，则应查看numpy.bincounts：

http://docs.scipy.org/doc/numpy/reference/generated/numpy.bincount.html

然后可能使用np.argmax：

a = np.array([1,2,3,1,2,1,1,1,3,2,2,1])
counts = np.bincount(a)
print np.argmax(counts)

对于更复杂的列表（可能包含负数或非整数值），可以np.histogram类似的方式使用。另外，如果您只想在python中工作而不使用numpy，collections.Counter则是处理此类数据的一种好方法。

from collections import Counter
a = [1,2,3,1,2,1,1,1,3,2,2,1]
b = Counter(a)
print b.most_common(1)

您可以使用

(values,counts) = np.unique(a,return_counts=True)
ind=np.argmax(counts)
print values[ind]  # prints the most frequent element

如果某个元素与另一个元素一样频繁，则此代码将仅返回第一个元素。

如果您愿意使用SciPy：

>>> from scipy.stats import mode
>>> mode([1,2,3,1,2,1,1,1,3,2,2,1])
(array([ 1.]), array([ 6.]))
>>> most_frequent = mode([1,2,3,1,2,1,1,1,3,2,2,1])[0][0]
>>> most_frequent
1.0

在此处找到一些解决方案的性能（使用iPython）：

>>> # small array
>>> a = [12,3,65,33,12,3,123,888000]
>>> 
>>> import collections
>>> collections.Counter(a).most_common()[0][0]
3
>>> %timeit collections.Counter(a).most_common()[0][0]
100000 loops, best of 3: 11.3 µs per loop
>>> 
>>> import numpy
>>> numpy.bincount(a).argmax()
3
>>> %timeit numpy.bincount(a).argmax()
100 loops, best of 3: 2.84 ms per loop
>>> 
>>> import scipy.stats
>>> scipy.stats.mode(a)[0][0]
3.0
>>> %timeit scipy.stats.mode(a)[0][0]
10000 loops, best of 3: 172 µs per loop
>>> 
>>> from collections import defaultdict
>>> def jjc(l):
...     d = defaultdict(int)
...     for i in a:
...         d[i] += 1
...     return sorted(d.iteritems(), key=lambda x: x[1], reverse=True)[0]
... 
>>> jjc(a)[0]
3
>>> %timeit jjc(a)[0]
100000 loops, best of 3: 5.58 µs per loop
>>> 
>>> max(map(lambda val: (a.count(val), val), set(a)))[1]
12
>>> %timeit max(map(lambda val: (a.count(val), val), set(a)))[1]
100000 loops, best of 3: 4.11 µs per loop
>>> 

对于像这样的小型阵列，最好是“最大”和“设置” 。

根据@David Sanders的说法，如果将数组大小增加到100,000个元素，则“最大w / set”算法最终将是最差的，而“ numpy bincount”方法是最佳的。

另外，如果您想获得最频繁的值（正数或负数）而不加载任何模块，则可以使用以下代码：

lVals = [1,2,3,1,2,1,1,1,3,2,2,1]
print max(map(lambda val: (lVals.count(val), val), set(lVals)))

虽然上面的大多数答案很有用，但在以下情况下您可能会：1）需要它来支持非正整数值（例如浮点数或负整数;-)），以及2）不在Python 2.7上（哪个collections.Counter） 3）不想在代码中添加scipy（甚至numpy）的依赖项，那么纯Python 2.6解决方案就是O（nlogn）（即有效），它就是这样：

from collections import defaultdict

a = [1,2,3,1,2,1,1,1,3,2,2,1]

d = defaultdict(int)
for i in a:
  d[i] += 1
most_frequent = sorted(d.iteritems(), key=lambda x: x[1], reverse=True)[0]

我喜欢JoshAdel的解决方案。

但是只有一个收获。

该np.bincount()解决方案仅适用于数字。

如果你有琴弦 collections.Counter解决方案将为您服务。

扩展此方法，适用于查找数据模式，在该模式下可能需要实际数组的索引才能查看该值与分布中心的距离。

(_, idx, counts) = np.unique(a, return_index=True, return_counts=True)
index = idx[np.argmax(counts)]
mode = a[index]

记住当len（np.argmax（counts））> 1时放弃该模式

在Python 3中，以下应该起作用：

max(set(a), key=lambda x: a.count(x))

从开始Python 3.4，标准库包含statistics.mode返回单个最常见数据点的功能。

from statistics import mode

mode([1, 2, 3, 1, 2, 1, 1, 1, 3, 2, 2, 1])
# 1

如果存在多个具有相同频率的模式，则statistics.mode返回遇到的第一个模式。

从开始于Python 3.8，该statistics.multimode函数将按最先出现的顺序返回最频繁出现的值的列表：

from statistics import multimode

multimode([1, 2, 3, 1, 2])
# [1, 2]

这是一个纯解决方案，可以使用纯粹的numpy沿轴应用而不管其值如何。我还发现，如果有很多唯一值，这比scipy.stats.mode快得多。

import numpy

def mode(ndarray, axis=0):
    # Check inputs
    ndarray = numpy.asarray(ndarray)
    ndim = ndarray.ndim
    if ndarray.size == 1:
        return (ndarray[0], 1)
    elif ndarray.size == 0:
        raise Exception('Cannot compute mode on empty array')
    try:
        axis = range(ndarray.ndim)[axis]
    except:
        raise Exception('Axis "{}" incompatible with the {}-dimension array'.format(axis, ndim))

    # If array is 1-D and numpy version is > 1.9 numpy.unique will suffice
    if all([ndim == 1,
            int(numpy.__version__.split('.')[0]) >= 1,
            int(numpy.__version__.split('.')[1]) >= 9]):
        modals, counts = numpy.unique(ndarray, return_counts=True)
        index = numpy.argmax(counts)
        return modals[index], counts[index]

    # Sort array
    sort = numpy.sort(ndarray, axis=axis)
    # Create array to transpose along the axis and get padding shape
    transpose = numpy.roll(numpy.arange(ndim)[::-1], axis)
    shape = list(sort.shape)
    shape[axis] = 1
    # Create a boolean array along strides of unique values
    strides = numpy.concatenate([numpy.zeros(shape=shape, dtype='bool'),
                                 numpy.diff(sort, axis=axis) == 0,
                                 numpy.zeros(shape=shape, dtype='bool')],
                                axis=axis).transpose(transpose).ravel()
    # Count the stride lengths
    counts = numpy.cumsum(strides)
    counts[~strides] = numpy.concatenate([[0], numpy.diff(counts[~strides])])
    counts[strides] = 0
    # Get shape of padded counts and slice to return to the original shape
    shape = numpy.array(sort.shape)
    shape[axis] += 1
    shape = shape[transpose]
    slices = [slice(None)] * ndim
    slices[axis] = slice(1, None)
    # Reshape and compute final counts
    counts = counts.reshape(shape).transpose(transpose)[slices] + 1

    # Find maximum counts and return modals/counts
    slices = [slice(None, i) for i in sort.shape]
    del slices[axis]
    index = numpy.ogrid[slices]
    index.insert(axis, numpy.argmax(counts, axis=axis))
    return sort[index], counts[index]

我最近正在做一个项目，并使用collections.Counter。（这折磨了我）。

我认为收藏中的Counter的表现非常非常差。这只是包装dict（）的类。

更糟糕的是，如果使用cProfile来分析其方法，则应该看到很多“ __missing__”和“ __instancecheck__”东西一直在浪费。

使用它的most_common（）时要小心，因为每次调用它都会使它变得极其缓慢。如果使用most_common（x），它将调用堆排序，这也很慢。

顺便说一句，numpy的bincount也有一个问题：如果使用np.bincount（[1,2,4000000]），您将得到一个包含4000000个元素的数组。