在这样的分组中，你需要使用按索引排序的数组的扁平化变体来对第一个数组进行排序，比如：

regions_sort = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2]
value_array_sort = [9, 5, 8, 6, 4, 4, 8, 5, 4, 5, 9, 7, 4, 7, 3, 0]

后一部分是找出区分各组的指数，并将其用于进一步计算各组的总和、计数和平均值：

marker_idx = [5, 11]
group_counts = [5, 6, 5]
group_sums = [32, 35, 21]
group_means = [6.4, 5.83333, 4.2]

最后，重复这些值，使其适合value_array，按相反顺序重新排列这些值，并将其调整为初始形状。

sorter = np.argsort(regions.ravel())
_, inverse_sorter = np.unique(sorter, return_index=True) #could be optimised...
regions_sort = regions.ravel()[sorter]
value_array_sort = value_array.ravel()[sorter]

marker_idx = np.flatnonzero(np.diff(regions_sort))+1
reduceat_idx = np.r_[0, marker_idx]
group_counts = np.diff(marker_idx, prepend=0, append=regions.size) #could also use np.bincount...
group_sums = np.add.reduceat(regions_sort, reduceat_idx)
group_means = group_sums / group_counts

new_values = np.repeat(group_means, group_counts)
new_value_array = new_values[inverse_sorter].reshape(value_array.shape)

>>> new_value_array    
array([[6.4       , 6.4       , 6.4       , 5.83333333],
       [6.4       , 6.4       , 5.83333333, 5.83333333],
       [5.83333333, 5.83333333, 5.83333333, 4.2       ],
       [4.2       , 4.2       , 4.2       , 4.2       ]])

我还找到了一种方法来实现它numpy_indexed包设计用于以有效的方式解决分组问题：

import numpy_indexed as npi
groupby = npi.group_by(regions.ravel())
keys, values = groupby.mean(value_array.ravel())
>>> values[groupby.inverse].reshape(regions.shape)

array([[6.4       , 6.4       , 6.4       , 5.83333333],
       [6.4       , 6.4       , 5.83333333, 5.83333333],
       [5.83333333, 5.83333333, 5.83333333, 4.2       ],
       [4.2       , 4.2       , 4.2       , 4.2       ]])