scipy.stats....rvs随机抽奖与numpy.random抽奖的区别

Question

似乎如果它是相同的分布，从numpy.random中随机抽取样本比从scipy.stats.-.rvs中抽取样本更快。我想知道是什么原因造成了两者之间的速度差异？

Answer 1

scipy.stats.uniform实际上使用的是numpy，下面是stats中的对应函数(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在错误检查和使接口更灵活方面有一些开销。速度差异应该是最小的，只要您不在每次绘制的循环中调用uniform.rvs。你可以一次得到所有的随机抽奖，例如(1000万)

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

这是我之前写的一个长长的答案：

scipy/numpy中的基本随机数是由numpy.random中的Mersenne-Twister PRNG创建的。numpy.random中的发行版的随机数在cython/pyrex中，而且速度非常快。

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

直接从numpy.random生成正常，例如，t，...通过变换numpy.random中提供的其他随机数来生成非常快的

• 随机数，也非常快，因为这在numbers
• generic:的整个阵列上操作。唯一的通用生成随机数生成是通过使用ppf (逆cdf)来变换均匀随机数。如果存在ppf的显式表达式，则速度相对较快，但如果必须间接计算ppf，则速度可能会非常慢。例如，如果只定义了pdf，则通过数值积分获得cdf，通过方程解算器获得ppf。所以有几个发行版非常慢。

Answer 2

我今天遇到了这个问题，只是想在这个问题上添加一些时间细节。我看到了joon提到的，特别是在scipy.stats中，使用numpy生成正态分布的随机数比使用rvs生成要快得多。正如user333700提到的，rvs有一些开销，但如果您生成一个随机值数组，那么与numpy相比，差距就会缩小。下面是一个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版本1.11.1和scipy 0.17.0运行时，输出如下：

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，与直接使用numpy相比，仅从rvs生成一个随机样本几乎要慢100倍。但是，如果您正在生成一个值数组，则差距会缩小(115到61.9微秒)。

如果可以避免这种情况，最好不要在循环中多次调用rvs来获得一个随机值。