Question

似乎它是相同的分布，从numpy.random绘制随机样本比从scipy.stats.-.rvs绘制更快。我想知道导致两者之间速度差异的原因是什么？

Answer 1

scipy.stats.uniform实际上使用了numpy，这里是stats中相应的函数（mtrand是numpy.random的别名）

class uniform_gen(rv_continuous):
    def _rvs(self):
        return mtrand.uniform(0.0,1.0,self._size)

scipy.stats有一些错误检查的开销，并使界面更灵活。只要你不为每次抽奖调用uniform.rvs，速度差应该是最小的。您可以立即获得所有随机抽取，例如（1000万）

>>> rvs = stats.uniform.rvs(size=(10000, 1000))
>>> rvs.shape
(10000, 1000)

这是我刚才写的很长的答案：

scipy / numpy中的基本随机数由 Mersenne-Twister PRNG在numpy.random中。随机数 numpy.random中的发行版都在cython / pyrex中并且非常快。

scipy.stats没有随机数生成器，随机数是以三种方式之一获得：

直接来自numpy.random，例如normal，t，...非常快
通过转换其他随机数的随机数在numpy.random中可用，也很快，因为它可以运行整个数字数组
generic：唯一的通用代随机数生成是使用ppf（逆cdf）转换均匀随机数。如果存在明确的表达式，则相对较快 ppf，但如果必须计算ppf，则非常慢间接的影响。例如，如果只定义了pdf，那么cdf就是通过数值积分得到的ppf是通过数值积分获得的方程求解器。所以一些发行版很慢。

Answer 2

我今天碰到了这个，只是想在这个问题上添加一些时间细节。我看到joon提到的内容，特别是numpy生成的正态分布中的随机数比rvs中的scipy.stats快得多。正如user333700所提到的那样，rvs会产生一些开销，但是如果要生成随机值数组，那么与numpy相比，该间隙会关闭。这是一个jupyter计时示例：

from scipy.stats import norm
import numpy as np

n = norm(0, 1)
%timeit -n 1000 n.rvs(1)[0]
%timeit -n 1000 np.random.normal(0,1)

%timeit -n 1000 a = n.rvs(1000)
%timeit -n 1000 a = [np.random.normal(0,1) for i in range(0, 1000)]
%timeit -n 1000 a = np.random.randn(1000)

在numpy版本1.11.1和scipy 0.17.0的运行中，输出：

1000 loops, best of 3: 46.8 µs per loop
1000 loops, best of 3: 492 ns per loop
1000 loops, best of 3: 115 µs per loop
1000 loops, best of 3: 343 µs per loop
1000 loops, best of 3: 61.9 µs per loop

因此，仅从rvs生成一个随机样本比直接使用numpy慢近100倍。但是，如果要生成一个值数组而不是间隙关闭（115到61.9微秒）。

如果你可以避免它，可能不要在rvs中调用一个循环中的一个随机值。

随机抽取scipy.stats .... rvs和numpy.random之间的差异

2 个答案: