区间数改进topsis代码

以下是改进后的 topsis 代码，主要是将计算矩阵的过程进行了优化，使得代码更加简洁和高效：

import numpy as np

def topsis(X, w, is_criterion_max):
    """
    对矩阵 X 进行 TOPSIS 方法多准则决策分析
    Args:
        X: ndarray, shape (m, n)
            m 个样本，n 个特征
        w: ndarray, shape (n,)
            n 个特征的权重，权重和为 1
        is_criterion_max: ndarray, shape (n,)
            n 个特征是否越大越好，True 表示越大越好，False 表示越小越好
    Returns:
        scores: ndarray, shape (m,)
            m 个样本的 TOPSIS 得分
    """
    # Step 1. 标准化矩阵
    X_normalized = X / np.sqrt(np.sum(X ** 2, axis=0))

    # Step 2. 计算加权标准化矩阵
    X_weighted = X_normalized * w

    # Step 3. 计算正理想解和负理想解
    if is_criterion_max.all():
        ideal_best = np.max(X_weighted, axis=0)
        ideal_worst = np.min(X_weighted, axis=0)
    elif not is_criterion_max.any():
        ideal_best = np.min(X_weighted, axis=0)
        ideal_worst = np.max(X_weighted, axis=0)
    else:
        raise ValueError("is_criterion_max 中不能既有 True 又有 False")

    # Step 4. 计算样本与正理想解和负理想解的距离
    dist_best = np.sqrt(np.sum((X_weighted - ideal_best) ** 2, axis=1))
    dist_worst = np.sqrt(np.sum((X_weighted - ideal_worst) ** 2, axis=1))

    # Step 5. 计算 TOPSIS 得分
    scores = dist_worst / (dist_best + dist_worst)

    return scores

这个改进的代码与原来的代码相比，主要的区别在于：

- 在标准化矩阵的计算中，使用了广播机制，使得计算更加高效。
- 在计算正理想解和负理想解时，使用了 `np.max` 和 `np.min` 函数，使得代码更加简洁。
- 在计算样本与正理想解和负理想解的距离时，使用了向量化计算，使得代码更加高效。

这些优化使得代码更加简洁、高效，同时也更容易理解。