Python 有没有更优雅的方法来创建这些numpy阵列？

我觉得我创建的阵列太多，浪费了资源，因此我正在寻找一种更干净、更高效的方法来解决以下问题：

假设我们有一个振荡图，我们知道最小值（

minux

）和最大值（

max\ux

）的位置。我们选取一个参考点

ref_point

（下图中约为2.35），最接近的极值（图中为2.25和2.45）分配1*PI，第二接近的极值分配值2*PI，依此类推。通过这种方式，我们得到了图上较低的图形（注意，这些值被-4*PI偏移，但这与现在无关）

以下是我的解决方案：

将numpy导入为np
def最小值最大值（参考点、最小值x、最大值x）：
#查找小于参考点的最大值和最小值
neg_max_freq=np.数组（[a表示in（ref_point-max_x），如果a<0]）
neg_min_freq=np.数组（[b表示b in（参考点-min_x），如果b<0]）
#将它们连接在一起并翻转顺序
neg\u freq=排序（np.append（neg\u max\u freq，neg\u min\u freq），reverse=True）
#查找大于参考点的最大值和最小值
pos_max_freq=np.数组（[c表示c in（参考点-max_x），如果c>0]）
pos_min_freq=np.数组（[d表示d in（参考点-min_x），如果d>0]）
#把他们连在一起
pos\u freq=已排序（np.append（pos\u min\u freq，pos\u max\u freq））
pos_values=np.数组（[np.pi*（i+1）表示范围内的i（len（pos_freq）））
neg_值=np.数组（[np.pi*（i+1）表示范围内的i（len（neg_freq）））
#将图片上下部图形的值合并在一起
x_s=np.append（pos_freq，neg_freq）
y_s=np.append（pos_值、neg_值）
返回x_s，y_s

用法示例：

min_x=np.arange（np.pi/2，4.5*np.pi，np.pi） >>>max_x=np.arange（0,4*np.pi，np.pi） >>>x，y=最小值最大值（0，最小值x，最大值x） >>>x [ -1.57079633 -3.14159265 -4.71238898 -6.28318531 -7.85398163 -9.42477796 -10.99557429] >>>y [ 3.14159265 6.28318531 9.42477796 12.56637061 15.70796327 18.84955592 21.99114858]

---

有没有其他更有效的方法来实现相同的结果？

在这里，我将如何更改

min\u max

代码，而无需编写这么多临时变量和避免列表理解：

def min_max(ref_point, min_x, max_x):

    max_freq = ref_point - max_x
    min_freq = ref_point - min_x

    # Faster sort
    neg_freq = np.sort(np.append(max_freq[max_freq<0], min_freq[min_freq<0]))[::-1]
    pos_freq = np.sort(np.append(max_freq[max_freq>0], min_freq[min_freq>0]))

    pos_values = np.pi * np.arange(1, len(pos_freq)+1)
    neg_values = np.pi * np.arange(1, len(neg_freq)+1)

    x_s = np.append(pos_freq, neg_freq)
    y_s = np.append(pos_values, neg_values)

    return x_s, y_s

---

numpy比vanilla python快9.5倍。

注意

pos_values=np.pi*np.arange（len（pos_freq））

应该是

pos_values=np.pi*np.arange（1，len（pos_freq）+1）

也应该是

neg_值。谢谢你，这似乎是一个更好的解决方案。谢谢你抓住了这个机会。我将编辑解决方案
a = np.random.randint(0, 1000, 1_000_000)

%timeit sorted(a, reverse=True)
522 ms ± 29.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit np.sort(a)[::-1]
55.2 ms ± 958 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)