基于Python Numpy的成绩计算器代码纠错与优化方案咨询

一、代码纠错（针对你GitHub上的实现） #

原代码存在逻辑冗余、输入未校验等问题，以下是修正后的完整实现：

import numpy as np

def calculate_grades(scores):
    # 输入清洗与校验：统一转为NumPy数组，限制分数在0-100区间
    scores = np.array(scores, dtype=np.float64)
    scores = np.clip(scores, 0, 100)

    # 用NumPy向量化操作替代循环判断，提升效率
    grades = np.where(scores >= 90, 'A',
                np.where(scores >= 80, 'B',
                    np.where(scores >= 70, 'C',
                        np.where(scores >= 60, 'D', 'F'))))
    return grades

# 测试示例
if __name__ == "__main__":
    student_scores = [85, 92, 58, 76, 105, -3]
    print(calculate_grades(student_scores))

修正点说明： #

• 增加输入校验：通过clip过滤超出0-100的无效分数，避免逻辑错误
• 替换循环判断：用numpy.where链式操作实现向量化计算，比循环效率提升数倍
• 统一数据类型：将输入转为float64，兼容整数、浮点数等多种输入格式

二、更简便的实现技巧 #

1. 用numpy.digitize快速映射等级 #

针对固定分数区间，digitize可以一次性完成分数到等级的映射，代码更简洁：

import numpy as np

def calculate_grades_with_digitize(scores):
    scores = np.array(scores, dtype=np.float64)
    scores = np.clip(scores, 0, 100)
    # 定义左闭右开的分数区间边界
    bins = [0, 60, 70, 80, 90, 101]
    grades = ['F', 'D', 'C', 'B', 'A']
    # 获取每个分数对应的区间索引
    indices = np.digitize(scores, bins, right=True)
    return np.array(grades)[indices - 1]

2. 封装为可复用工具类 #

将逻辑封装为类，支持自定义分数区间，方便后续扩展：

import numpy as np

class GradeCalculator:
    def __init__(self, bins=None, grades=None):
        # 默认区间，可传入自定义值覆盖
        self.bins = bins if bins else [0, 60, 70, 80, 90, 101]
        self.grades = grades if grades else ['F', 'D', 'C', 'B', 'A']
    
    def calculate(self, scores):
        scores = np.array(scores, dtype=np.float64)
        scores = np.clip(scores, 0, 100)
        indices = np.digitize(scores, self.bins, right=True)
        return np.array(self.grades)[indices - 1]

# 使用示例
calculator = GradeCalculator()
print(calculator.calculate([75, 95, 55]))

3. 批量数据处理优化 #

如果处理CSV/Excel中的批量学生分数，结合pandas（基于NumPy）可直接对整列进行计算：

import pandas as pd
import numpy as np

# 读取学生分数数据
df = pd.read_csv('student_scores.csv')
# 整列应用成绩计算逻辑
df['grade'] = np.where(df['score'] >=90, 'A',
                np.where(df['score']>=80, 'B',
                    np.where(df['score']>=70, 'C',
                        np.where(df['score']>=60, 'D', 'F'))))

内容的提问来源于stack exchange，提问作者Shreyas Kumar