在实现多特征和多类别的Logistic回归时（我选择的数据集包含1、2、3、4和5五个类别），针对包含1到5类别的m（>100）个样本数据，我尝试找出独特的标签/类别数量，并将它们放入一个向量中。我编写了以下代码，其中Y是一个大小为(m,1)的列向量：

classes = [Y(1,1)]; #初始化类别for i = 2:m    count = 0;    for j = 1:length(classes)        if Y(i,1) == classes(j,1)            count = count + 1;        end;    end    if count ==0        classes = [classes; Y(i,1)];    endend

这让我得到了向量Y中独特标签的列表。然而，我在想是否有更好的编写这段代码的方法（上面的代码行看起来有些幼稚），特别是通过向量化来实现。欢迎任何建议。谢谢。

回答：

看起来，如果代码的目的是生成Y中独特值的列表，你可以直接使用unique(Y)。例如：

>> m = 10;>> Y = floor(rand(m,1)*5+1)Y =   5   1   5   4   2   2   1   5   1   4>> unique(Y)ans =   1   2   4   5    

现在，你的函数输出按照它们首次出现在列表中的顺序排列。例如：

classes =    5   1   4   2

如果这很重要，你需要像这样做：

>> [sortedClasses idx] = unique(Y,"first")sortedClasses =   1   2   4   5idx =   2   5   4   1>> unsortedClasess = Y(sort(idx))unsortedClasess =   5   1   4   2

unique和sort都很好地进行了向量化处理以提高速度。并且移除classes的重复扩展可以避免重复的变量复制，这在你有大量类别时会显著降低性能开销。