python-生成大量随机变量

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python-生成大量随机变量，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3698字，纯文字阅读大概需要6分钟。

内容图文

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

内容总结

以上是互联网集市为您收集整理的python-生成大量随机变量全部内容，希望文章能够帮你解决python-生成大量随机变量所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端