似乎它是相同的分布，从中抽取随机样本 numpy.random 比这更快 scipy.stats.-.rvs。我想知道导致两者之间速度差异的原因是什么？
似乎它是相同的分布，从中抽取随机样本 numpy.random 比这更快 scipy.stats.-.rvs。我想知道导致两者之间速度差异的原因是什么？
scipy.stats.uniform实际上使用了numpy，这里是stats中的相应函数（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有一些错误检查的开销，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。你可以一次性获得所有随机抽取，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，但可以 非常 如果必须计算ppf，则会变慢 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。
scipy.stats.uniform实际上使用了numpy，这里是stats中的相应函数（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有一些错误检查的开销，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。你可以一次性获得所有随机抽取，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，但可以 非常 如果必须计算ppf，则会变慢 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。
我今天碰到了这个，只想在这个问题上添加一些时间细节。我看到了joon提到的内容，特别是正常分布中的随机数更快地生成了 numpy 而不是 rvs 在 scipy.stats。正如用户333700所提到的，有一些开销 rvs 但是如果你要生成一个随机值数组，那么与之相比，这个差距就会关闭 numpy。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)
这，在我的运行中 numpy 版本1.11.1和 scipy 0.17.0，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
所以只需生成一个随机样本 rvs 几乎比使用慢100倍 numpy 直。但是，如果要生成的值数组比间隙关闭（115到61.9微秒）。
如果你可以避免它，可能不要打电话 rvs 在一个循环中获得一个随机值很多次。