python输出多个随机数_python-生成大量随机变量

我正在尝试找出在python中生成许多随机数的最佳方法.困难的部分是,在运行时之前,我将不知道需要多少个数字

我有一个程序,一次使用一个随机数,但它需要执行多次.

到目前为止,我尝试过的事情是：

>使用random.random()一次生成一个随机数

>使用np.random.rand()一次生成一个随机数

>使用np.random.rand(N)在一批N中生成随机数

>使用np.random.rand(N)在N的批次中生成随机数,并在使用完第一个N后进行新的批次(我尝试了两种不同的实现,两者都比仅在生成一个数时要慢一次)

在下面的脚本中,我比较了这三种方法的前三种(对于统一和正态分布的随机数).

我不知道p函数是否真的必要,但是我想在每种情况下都用随机数做等效的事情,这似乎是最简单的方法.

#!/bin/python3

import time

import random

import numpy as np

def p(x):

pass

def gRand(n):

for i in range(n):

p(random.gauss(0,1))

def gRandnp1(n):

for i in range(n):

p(np.random.randn())

def gRandnpN(n):

rr=np.random.randn(n)

for i in rr:

p(i)

def uRand(n):

for i in range(n):

p(random.random())

def uRandnp1(n):

for i in range(n):

p(np.random.rand())

def uRandnpN(n):

rr=np.random.rand(n)

for i in rr:

p(i)

tStart=[]

tEnd=[]

N=1000000

for f in [uRand, uRandnp1, uRandnpN]:

tStart.append(time.time())

f(N)

tEnd.append(time.time())

for f in [gRand, gRandnp1, gRandnpN]:

tStart.append(time.time())

f(N)

tEnd.append(time.time())

print(np.array(tEnd)-np.array(tStart))

此计时脚本输出的代表性示例是：

[0.26499939 0.45400381 0.19900227 1.57501364 0.49000382 0.23000193]

前三个数字用于[0,1)上的统一随机数,后三个数字用于正态分布的数字(mu = 0,sigma = 1).

对于这两种类型的随机变量,最快的方法(这三种方法)是一次生成所有随机数,将它们存储在数组中,然后遍历数组.问题是直到运行程序后,我才知道需要多少这些数字.

我想做的是大批量生成随机数.然后,当我在一批中使用所有数字时,我将重新填充存储它们的对象.问题是我不知道实现此目标的干净方法.我想到的一种解决方案是：

N=1000000

numRepop=4

N1=N//numRepop

__rands__=[]

irand=-1

def repop():

global __rands__

__rands__=np.random.rand(N1)

repop()

def myRand():

global irand

try:

irand += 1

return __rands__[irand]

except:

irand=1

repop()

return __rands__[0]

但这实际上比其他任何选项都要慢.

如果我将numpy数组转换为列表,然后弹出元素,则获得的性能类似于仅使用numpy一次生成一个随机变量：

__r2__=[]

def repop2():

global __r2__

rr=np.random.rand(N1)

__r2__=rr.tolist()

repop2()

def myRandb():

try:

return __r2__.pop()

except:

repop2()

return __r2__.pop()

有一个更好的方法吗？

编辑：“更好”,我的意思是更快.我也希望使用确定性(伪)随机数

解决方法:

如果一次生成大量数字的速度更快,则可以使用生成器来缓存批次.这适用于python 3.5

def randoms(batchsize=10000):

while True:

yield from numpy.random.rand(batchsize)

不知道它是否比您的其他实现更快,但这是一个永无止境的生成器.

您可以像使用任何迭代器一样使用它：

prng = randoms()

for _ in range(1000000):

foo(next(prng))

或这样(但循环永远不会退出)：

for x in randoms():

foo(x)

编辑：

我试图自己对此进行基准测试,我认为差异主要是由于python中函数调用的额外开销.我试图通过在所有情况下遍历一个范围来使基准更具有可比性,并且使用预生成数组的优势较小.

通过使用微优化技巧,将numpy.random.rand分配给局部变量,我获得了几乎相同的速度,这大大加快了函数调用的速度.

我还包括生成器方法进行比较.

def randoms(batchsize):

rand = numpy.random.rand

while True:

yield from rand(batchsize)

​

def test_generator(times):

rand = randoms(1000).__next__

for n in range(times):

rand()

def test_rand(times):

for n in range(times):

numpy.random.rand()

def test_rand_micro_opt(times):

rand = numpy.random.rand

for n in range(times):

rand()

def test_array(times):

array = numpy.random.rand(times)

for n in range(times):

array[n]

​

# ipython / jupyter magic %timeit command

%timeit -n 1000 test_generator(10000)

%timeit -n 1000 test_rand(10000)

%timeit -n 1000 test_rand_micro_opt(10000)

%timeit -n 1000 test_array(10000)

​

1000 loops, best of 3: 2.09 ms per loop

1000 loops, best of 3: 2.93 ms per loop

1000 loops, best of 3: 1.74 ms per loop

1000 loops, best of 3: 1.57 ms per loop

标签：performance,random,python,numpy

来源： https://codeday.me/bug/20191111/2022351.html