我写了一个计算某些候选人的某些特征的算法，这些特征存储在一个数据框中，例如：（c1是candidate1）
feature1 feature2 feature3 ...
c1 score1_1 score1_2 score1_3 ...
c2 score2_1 score2_2 score2_3 ...
...
cn scoren_1 scoren_2 scoren_3 ...
我写了一个函数，它得到一个权重向量（它的长度是特征的数量）并计算一个总分的列（每行的向量乘法给出该行的分数＆＃39;候选人）
然后我拿到前N名候选人（获得最高分，假设N = 10）并将它们与同一候选人的另一个工具的输出进行比较，写了一个算法来得出这个比较中的分数，基本上是它的加权交叉点，将此分数标记为S.
对于相同的权重向量，我会针对几组候选者执行此操作，并计算S的平均值，将平均值标记为S_avg。
我想迭代地执行上述操作，每次迭代调整权重向量以最大化S_avg，是否有人对Python中的简单迭代方式（向量调整）有任何建议？
谢谢，希望我足够清楚
编辑：我忘了提到有一个不变量，权重之和为1，每个特征得分从0到1，所以总得分也必须在0-1范围内