来自 scipy.stats....rvs 和 numpy.random 的随机抽取之间的区别答案

【问题标题】：Difference between random draws from scipy.stats....rvs and numpy.random来自 scipy.stats....rvs 和 numpy.random 的随机抽取之间的区别
【发布时间】：2011-04-29 10:20:51
【问题描述】：

如果是相同的分布，从numpy.random 抽取随机样本似乎比从scipy.stats.-.rvs 抽取随机样本要快。我想知道是什么导致了两者之间的速度差异？

【问题讨论】：

标签： python numpy random scipy

【解决方案1】：

scipy.stats.uniform其实用的是numpy，这里是stats中对应的函数（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 在错误检查和使界面更灵活方面有一些开销。只要您不在每次绘制的循环中调用 uniform.rvs，速度差异应该是最小的。相反，您可以一次获得所有随机抽奖，例如（1000 万）

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

这是我不久前写的长答案：

scipy/numpy 中的基本随机数是由 numpy.random 中的 Mersenne-Twister PRNG。随机数为 numpy.random 中的分布在 cython/pyrex 中并且非常快。

scipy.stats 没有随机数生成器，随机数是通过以下三种方式之一获得：

直接来自 numpy.random，例如正常，t，...相当快
通过转换其他随机数得到的随机数在 numpy.random 中可用，也非常快，因为它在整个数字数组
generic：唯一的泛型生成随机数是由使用 ppf（逆 cdf）来变换均匀随机数。如果有明确的表达式，则相对较快 ppf，但如果必须计算 ppf，可能会非常慢间接地。例如，如果只定义了 pdf，那么 cdf 是通过数值积分获得，ppf 是通过方程求解器。所以有些发行版很慢。

【讨论】：

谢谢。我正在运行 MCMC 例程，所以我必须反复绘制很多东西，所以我将使用 numpy.random。

【解决方案2】：

我今天遇到了这个问题，只是想为这个问题添加一些时间细节。我看到 joon 提到的地方，特别是，使用numpy 生成的正态分布随机数比scipy.stats 中的rvs 生成的随机数要快得多。正如 user333700 所提到的，rvs 存在一些开销，但如果您正在生成一个随机值数组，那么与numpy 相比，该差距会缩小。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)

在我使用numpy 1.11.1 版和scipy 0.17.0 运行时，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 生成一个随机样本几乎比直接使用 numpy 慢 100 倍。但是，如果您正在生成一个值数组，那么差距就会缩小（115 到 61.9 微秒）。

如果可以避免，可能不要调用rvs 在循环中多次获取一个随机值。

【讨论】：