直接用 np.argsort 对加权和排序出错，主因是权重与指标形状未对齐且未处理正/负向指标；应确保 scores 为 (n_samples, n_features)，weights 为等长 1D 数组，并用 np.einsum('ij,j->i', scores, weights) 安全加权求和。
为什么直接用 np.argsort 对加权和排序会出错
很多人写成 np.argsort(weights @ scores.T) 或类似矩阵乘法，结果发现排序索引乱序、维度报错，甚至返回空数组。核心问题在于：权重和指标数据的形状没对齐，且未处理正向/负向指标（比如“价格”越低越好，“评分”越高越好）。NumPy 不会自动识别语义，@ 运算只认形状——若 weights 是 (3,)，scores 是 (100, 3)，直接 weights @ scores.T 得到 (100,) 没问题；但若 scores 是 (3, 100)，就会触发 ValueError: matmul: Input operand 1 has a mismatch in its core dimension。
实操建议：
- 始终确保
scores是二维数组，形状为(n_samples, n_features)，即每行一个样本，每列一个指标 - 权重
weights必须是 1D 数组，长度等于列数，且 dtype 与scores兼容（避免 int × float 溢出） - 对负向指标（如成本、耗时），先做归一化反转：例如用
1 - (x - x.min()) / (x.max() - x.min())，或更稳妥地用max(x) - x
用 np.einsum 实现清晰、可读的加权求和
np.einsum 比 @ 或 np.dot 更明确地表达维度意图，不易写反。对于 (n, m) 样本矩阵和 (m,) 权重，np.einsum('ij,j->i', scores, weights) 直观表示“对每行 j 维加权求和，输出长度为 n 的得分向量”。
示例：
立即学习“Python免费学习笔记（深入）”；
import numpy as np
scores = np.array([[85, 2.3, 450], # [分数, 响应时间(ms), 价格(元)]
[92, 1.8, 620],
[78, 3.1, 380]])
weights = np.array([0.5, -0.3, -0.2]) # 分数正向，后两者负向
# 先标准化响应时间和价格（越小越好 → 转为越大越好）
rt_norm = (scores[:, 1].max() - scores[:, 1]) / (scores[:, 1].max() - scores[:, 1].min())
price_norm = (scores[:, 2].max() - scores[:, 2]) / (scores[:, 2].max() - scores[:, 2].min())
norm_scores = np.column_stack([scores[:, 0], rt_norm, price_norm])
weighted_sum = np.einsum('ij,j->i', norm_scores, weights)
rank_idx = np.argsort(weighted_sum)[::-1] # 降序排（高分优先）注意：weights 中负值本身不触发错误，但必须和已归一化的方向一致；否则加权结果逻辑颠倒。
避免 np.lexsort 误用于多目标加权场景
有人看到“多目标”就下意识用 np.lexsort，但它做的是字典序排序（先按第 k 列排，相等再按 k−1 列），不是加权线性组合。例如想让“分数占 60%，价格占 40%”，lexsort 无法体现权重比例，只会把价格当作次要判据——当两个商品分数相同时才比价格，这和加权综合分本质不同。
常见误用现象：
- 排序结果和人工加权计算结果明显不符
- 调换权重顺序（如把价格权重从 0.4 改成 0.8）对排序无影响
- 输入
np.lexsort((price, score))时，price在前反而成了主序键（lexsort参数顺序是“最后比较的放前面”）
结论：除非你明确需要分层优先级（如“先保及格，再争高分”），否则别用 lexsort 替代加权和。
性能关键：预分配 + 避免重复归一化
在循环中反复调用 min()/max() 做归一化，是隐藏的性能杀手——每次都要全量扫描。尤其当 scores 是 (10000, 10) 时，三次 min/max 就是 30 万次比较。
实操建议：
- 用
np.min(scores, axis=0)和np.max(scores, axis=0)一次性算出每列极值，O(n×m) 只跑一遍 - 归一化公式统一用
(scores - mins) / (maxs - mins + 1e-8)，加1e-8防止除零 - 如果权重固定、数据流持续到达（如实时推荐），把
mins/maxs当作配置缓存，不随每批数据重算
加权排序本身很快（einsum 或广播乘加 + argsort），瓶颈几乎总在前置的数据规整步骤。
