如何用更优雅简洁的方式改写代码？基于Python 3.6与NumPy

当然有啦！在Python 3.6+搭配NumPy的环境下，有不少通用的优雅技巧能帮你大幅精简代码，同时还能提升运行效率，我整理了几个高频实用的方向：

• 用向量化操作替代显式循环
  NumPy的核心优势就是向量化运算，把原来的for循环直接换成数组级别的操作，既缩短代码又提升性能。比如原来的循环写法：

  result = []
  for x in np_array:
      result.append(x * 2 + 1)
  result = np.array(result)
  

  可以直接精简成一行：

  result = np_array * 2 + 1
  

• 利用NumPy内置函数避免重复造轮子
  NumPy封装了大量常用的聚合、变换函数，别自己写循环实现。比如计算矩阵每行的最大值与最小值之和，不用逐行遍历，直接用：

  row_stats = np.apply_along_axis(lambda x: x.max() + x.min(), axis=1, arr=matrix)
  

  对于简单的元素级变换，优先用向量化；复杂逻辑再考虑np.vectorize（注意：np.vectorize本质是循环包装，性能不如原生向量化，适合复杂自定义逻辑）。

• 活用广播机制减少维度处理代码
  不用手动扩展数组维度来匹配运算，NumPy的广播会自动处理维度兼容的情况。比如要给(5,)的一维数组和(5,3)的二维数组做逐列加法，不用先把一维数组重复成(5,3)，直接写：

  result = matrix + np_array[:, None]
  

  [:, None]是Python 3.6+支持的简洁维度扩展写法，比np.expand_dims更短。

• 链式操作简化代码流程
  把多个连续的NumPy操作串起来，省去不必要的中间变量。比如先标准化数组，再取前10个元素的平方：

  top10_squared = ((np_array - np_array.mean()) / np_array.std())[:10] ** 2
  

• 用简洁索引替代条件循环
  布尔索引、花式索引能帮你快速筛选或修改数组元素，替代冗长的条件判断循环。比如筛选数组中大于0的元素并计算平方：

  filtered_squared = np_array[np_array > 0] ** 2
  

如果你的代码有特定的业务场景（比如矩阵运算、数据预处理、统计分析等），可以把具体代码片段贴出来，我能给你更针对性的优化建议～

内容的提问来源于stack exchange，提问作者Nils