Самый быстрый способ генерации 1 000 000 + случайных чисел в python

Ответ 1

Вы можете немного ускорить работу над тем, что выложили mtrw, просто выполнив то, что вы изначально описали (генерируя кучу случайных чисел и умножая и делясь соответственно)...

Кроме того, вы, вероятно, уже знаете это, но обязательно выполняйте операции на месте (* =,/=, + = и т.д.) при работе с массивами больших чисел. Это сильно влияет на использование памяти с большими массивами, а также значительно увеличивает скорость.

In [53]: def rand_row_doubles(row_limits, num):
   ....:     ncols = len(row_limits)
   ....:     x = np.random.random((num, ncols))
   ....:     x *= row_limits                  
   ....:     return x                          
   ....:                                       
In [59]: %timeit rand_row_doubles(np.arange(7) + 1, 1000000)
10 loops, best of 3: 187 ms per loop

По сравнению с:

In [66]: %timeit ManyRandDoubles(np.arange(7) + 1, 1000000)
1 loops, best of 3: 222 ms per loop

Это не огромная разница, но если вы действительно обеспокоены скоростью, это что-то.

Просто чтобы показать, что это правильно:

In [68]: x.max(0)
Out[68]:
array([ 0.99999991,  1.99999971,  2.99999737,  3.99999569,  4.99999836,
        5.99999114,  6.99999738])

In [69]: x.min(0)
Out[69]:
array([  4.02099599e-07,   4.41729377e-07,   4.33480302e-08,
         7.43497138e-06,   1.28446819e-05,   4.27614385e-07,
         1.34106753e-05])

Аналогично, для вашей "строки sum to one" part...

In [70]: def rand_rows_sum_to_one(nrows, ncols):
   ....:     x = np.random.random((ncols, nrows))
   ....:     y = x.sum(axis=0)
   ....:     x /= y
   ....:     return x.T
   ....:

In [71]: %timeit rand_rows_sum_to_one(1000000, 13)
1 loops, best of 3: 455 ms per loop

In [72]: x = rand_rows_sum_to_one(1000000, 13)

In [73]: x.sum(axis=1)
Out[73]: array([ 1.,  1.,  1., ...,  1.,  1.,  1.])

Честно говоря, даже если вы повторно реализуете вещи на C, я не уверен, что вы сможете много бить много на этом... Я мог бы быть очень неправ, хотя!

Ответ 2

EDIT Созданные функции, которые возвращают полный набор чисел, а не только одну строку за раз. РЕДАКТИРОВАТЬ 2 Сделать функции более питонными (и быстрее), добавить решение для второго вопроса

Для первого набора чисел вы можете рассмотреть numpy.random.randint или numpy.random.uniform, которые принимают параметры low и high. Генерация массива из 7 х 1000000 номеров в указанном диапазоне, по-видимому, 0,7 секунды на моем компьютере с частотой 2 ГГц:

def LimitedRandInts(XLim, N):
    rowlen = (1,N)
    return [np.random.randint(low=0,high=lim,size=rowlen) for lim in XLim]

def LimitedRandDoubles(XLim, N):
    rowlen = (1,N)
    return [np.random.uniform(low=0,high=lim,size=rowlen) for lim in XLim]

>>> import numpy as np
>>> N = 1000000 #number of randoms in each range
>>> xLim = [x*500 for x in range(1,8)] #convenient limit generation
>>> fLim = [x/7.0 for x in range(1,8)]
>>> aa = LimitedRandInts(xLim, N)
>>> ff = LimitedRandDoubles(fLim, N)

Это возвращает целые числа в [0, xLim-1] или плавает в [0, fLim). Целочисленная версия заняла ~ 0,3 секунды, двойная ~ 0,66, на моей одноядерной машине с частотой 2 ГГц.

Для второго набора я использовал предложение @Joe Kingston.

def SumToOneRands(NumToSum, N):
    aa = np.random.uniform(low=0,high=1.0,size=(NumToSum,N)) #13 rows by 1000000 columns, for instance
    s = np.reciprocal(aa.sum(0))
    aa *= s
    return aa.T #get back to column major order, so aa[k] is the kth set of 13 numbers

>>> ll = SumToOneRands(13, N)

Это займет ~ 1,6 секунды.

Во всех случаях result[k] дает вам k-й набор данных.

Ответ 3

Попробуйте r = 1664525*r + 1013904223
от "еще более быстрого генератора" в "Numericical Recipes in C" 2nd edition, Press et al., isbn 0521431085, p. 284.
np.random, безусловно, "более случайный"; видеть Линейный конгруэнтный генератор.

В python используйте np.uint32 следующим образом:

python -mtimeit -s '
import numpy as np
r = 1
r = np.array([r], np.uint32)[0]  # 316 py -> 16 us np 
    # python longs can be arbitrarily long, so slow
' '
r = r*1664525 + 1013904223  # NR2 p. 284
'

Ответ 4

Проведение вашего кода параллельно, конечно, не повредит. Попробуйте адаптировать его для SMP с помощью Parallel Python

Ответ 5

Как уже отмечалось другими, numpy - очень хороший старт, быстрый и простой в использовании.

Если вам нужны случайные числа в массовом масштабе, рассмотрите eas-ecb или rc4. Оба могут быть параллельными, вы должны достичь производительности в нескольких ГБ/с.

достижимые числа, размещенные здесь

Ответ 6

Просто быстрый пример numpy в действии:

data = numpy.random.rand(1000000)

Нет необходимости в цикле, вы можете передать, сколько чисел вы хотите сгенерировать.