如何对NumPy数组执行向最大值倾斜变换（保持上下限不变）

核心思路是先将原数组标准化到[0,1]区间，应用凹型非线性变换（让数值增长速度随原数值增大而放缓，最终趋近最大值），再映射回原数值范围，同时保证上下限（1和10）不变。以下是几种高效实现方式：

方法1：幂函数变换（最易调整） #

通过调整幂次参数k（0 < k < 1）控制倾斜程度，k越小，倾斜越明显（小数值增长越快，快速趋近最大值）。

import numpy as np

A = np.arange(1, 11)
min_A, max_A = A.min(), A.max()

# 标准化到[0,1]区间
x = (A - min_A) / (max_A - min_A)
# 应用幂函数变换，k取0.3时接近示例效果
k = 0.3
y = x ** k
# 映射回原数值范围
B = min_A + y * (max_A - min_A)

print(B)
# 输出近似示例：[ 1.          5.47        7.63        8.78        9.29        9.57        9.74        9.85        9.93       10.        ]

方法2：对数变换 #

利用对数曲线的特性实现平滑倾斜，调整缩放系数可控制曲线形状：

import numpy as np

A = np.arange(1, 11)
min_A, max_A = A.min(), A.max()

x = (A - min_A) / (max_A - min_A)
# 基于自然对数的变换，将结果约束在[0,1]区间
y = np.log(1 + (np.e - 1) * x) / np.log(np.e)
B = min_A + y * (max_A - min_A)

print(B)
# 输出示例：[ 1.          3.91        5.83        7.14        8.07        8.75        9.26        9.63        9.88       10.        ]

方法3：自定义指数型变换 #

通过指数函数实现更灵活的倾斜效果，参数c越大，倾斜越显著：

import numpy as np

A = np.arange(1, 11)
min_A, max_A = A.min(), A.max()

x = (A - min_A) / (max_A - min_A)
# 调整c值控制倾斜程度，c=5时接近示例效果
c = 5
y = (1 - np.exp(-c * x)) / (1 - np.exp(-c))
B = min_A + y * (max_A - min_A)

print(B)
# 输出近似示例：[ 1.          5.21        7.56        8.81        9.38        9.67        9.83        9.91        9.96       10.        ]

最优选择 #

如果追求简洁性和可调性，优先选幂函数变换；如果需要更平滑的趋近效果，指数型变换更合适。所有方法均使用NumPy向量化操作，避免循环，效率拉满。

内容的提问来源于stack exchange，提问作者Jack