你可以尝试从你的数据中创建一个集合。集合中的元素不会有任何重复。

data = [1,1,2,3]
s = set(data)
print(len(s))

字符串
不过，我还没有测试过这是否比你的方法快。而且，这不会给予你np.unique()的其他返回值。

编辑

作为OP给出的一个例子，我测量了（1）np.unique，（2）转换到元组列表，（3）set()的运行时间

import numpy as np
import time

points = np.random.random(size = (38867362, 3)) * 10000
points = ((points - np.min(points, axis=0)) // 3).astype(int)

start_time = time.time()
unique_points, inverse, counts = np.unique(points, axis=0, return_inverse=True, return_counts=True)
print("::INFO:: Total time taken np.unique: ", time.time() - start_time)

start_time = time.time()
points = tuple(map(tuple, points))
print("::INFO:: Total time tuple conversion: ", time.time() - start_time)

points = tuple(map(tuple, points))
start_time = time.time()
unique_points = set(points)
print("::INFO:: Total time taken set: ", time.time() - start_time)

型
带输出

::INFO:: Total time taken np.unique:  115.49143147468567
::INFO:: Total time tuple conversion:  36.052345991134644
::INFO:: Total time taken set:  9.044668436050415

型
所以set()确实是一个选项，如果其他返回值可以丢失的话…

根据OP的最终目标，这是一个一维数据的解决方案（它很容易调整，只是不清楚每个维度是单独处理还是同时处理）。

from collections import defaultdict
from tqdm import tqdm  # for nice loop animations
import numpy as np

floats = np.random.random(size=(388)) * 100
ints = floats.astype(np.int32)

D = defaultdict(list)

for f, i in tqdm(zip(floats, ints), total=len(floats)):
    D[i].append(f)

means = []
for key, vals in D.items():
    means.append(np.mean(vals))

字符串

下面是一个使用pandas DataFrame.drop_duplicates的版本。这很好，因为它不需要像set()那样进行元组转换。

import numpy as np
import time
import pandas as pd

points = np.random.random(size = (38867362, 3)) * 10000
points = ((points - np.min(points, axis=0)) // 3).astype(int)

df = pd.DataFrame(points)

start_time = time.time()
df.drop_duplicates()
print("::INFO:: Total time taken by drop_duplicates: ", time.time() - start_time)

字符串
输出为

::INFO:: Total time taken by drop_duplicates:  10.315263986587524

型
这比set()加上元组转换快4倍！

注意df.drop_duplicates(...).index是输入索引的子集，因此具有可比性。