python - 如何使用 Numpy 优化使用连续值的 for 循环？

Question

我正在尝试创建一个返回 numpy.array 的函数与 n 0 和 1 之间的伪随机均匀分布数。所用方法的详细信息可以在这里找到:https://en.wikipedia.org/wiki/Linear_congruential_generator

到目前为止，效果很好。唯一的问题是每个新值都是通过使用前一个值计算的，所以到目前为止我发现的唯一解决方案是使用循环，为了效率起见，我试图摆脱该循环，可能是通过向量化操作 - 但是，我不知道该怎么做。

您对如何优化此功能有什么建议吗？

import numpy as np
import time

def unif(n):
    m = 2**32
    a = 1664525
    c = 1013904223

    result = np.empty(n)
    result[0] = int((time.time() * 1e7) % m)

    for i in range(1,n):
        result[i] = (a*result[i-1]+c) % m

    return result / m

Answer 1

虽然没有矢量化，但我相信以下解决方案大约快 2 倍(使用 numba 解决方案快 60 倍)。它保存每个 result作为局部变量，而不是按位置访问 numpy 数组。

def unif_improved(n):
    m = 2**32
    a = 1664525
    c = 1013904223

    results = np.empty(n)
    results[0] = result = int((time.time() * 1e7) % m)

    for i in range(1, n):
        result = results[i] = (a * result + c) % m

    return results / m

您也可以考虑使用 Numba 来进一步提高速度。 https://numba.pydata.org/

只是添加了装饰器 @jit对其他解决方案的打击。

from numba import jit

@jit
def unif_jit(n):
    # Same code as `unif_improved`

计时

>>> %timeit -n 10 unif_original(500000)
715 ms ± 21.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit -n 10 unif_improved(500000)
323 ms ± 8 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit -n 10 unif_jit(500000)
12 ms ± 2.68 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)