优化“抛硬币”实验模拟

Question

我想优化我写的模拟。我将提供我创建的代码，然后我将解释我想要实现的主要思想：

for exp_itrs in range(99999):
    coin_flips = np.zeros((1000,10))
    for toss in range(999):
        toss_10 = np.random.randint(0,2,size = (10))
        coin_flips[toss] = toss_10

其总体思路是运行下面的实验模拟100,000次:抛出1000枚硬币，每个硬币10次。使用一个大小为(1000,10)的数值矩阵来记录每个实验(行代表硬币，每列是一次掷硬币)。

现在，我的PC大约需要5分钟来运行这个简单的代码。

Answer 1

理想情况下，可以这样做：

import numpy as np
experiment = np.random.randint(0, 2, (100000, 1000, 10), dtype=np.uint8)

注意，这只需要100000*1000*10*1e-9 =1 1e

在行动中：

>>> import numpy as np
>>> experiment = np.random.randint(0, 2, (100000, 1000, 10), dtype=np.uint8)
>>> means = experiment.mean(axis=(0,1))
>>> means
array([ 0.50002927,  0.49993242,  0.5000543 ,  0.49999995,  0.49997455,
        0.49999587,  0.4999641 ,  0.4999488 ,  0.50001366,  0.50000301])
>>> experiment.nbytes
1000000000
>>> experiment.nbytes * 1e-9 # plenty of RAM to spare
1.0

在我相对普通的笔记本电脑上：

>>> timeit.timeit("experiment = np.random.randint(0, 2, (100000, 1000, 10), dtype=np.uint8)", "import numpy as np", number=10)
29.73300809401553
>>> _ / 10
2.973300809401553 # seconds per experiment

Answer 2

您可以使用numpy.random.rand创建一个由0 <= x< 1的随机值组成的矩阵，然后使用<0.5的treshold将其作为值0或1的别名。

numpy.random.rand(10000, 1000, 10)