Arrays 生成大量随机卡片组-NumPy

我需要生成大量随机扑克牌组。速度很重要，所以所有东西都必须是numpy矩阵形式

我知道我可以从一副牌中生成两张牌，如下所示：

np.random.choice(12*4,2, replace=False)

如何执行相同的查询，以便在不使用for循环的情况下创建二维数组？困难在于每一轮都需要从原始堆栈中分配，因此replace只对行有效，而对列无效

我也试过了

originalDeck=np.arange(1,12*4)
np.random.shuffle(originalDeck)

---

但在这里，我们也需要生成一个二维的originalDeck数组，然后是每一行？这是可能的吗？

因为您只寻找一对卡片，所以您只有

1128对可能的卡片（无需替换），因此您可以生成所有卡片对，然后从该集中随机挑选卡片：

from itertools import combinations
# There may be a better way to generate all possible pairs in numpy,
# but I am not aware of and this is pretty fast for this size
all_pairs = np.array(list(combinations(range(12 * 4), 2)))
cards = all_pairs[np.random.randint(all_pairs.shape[0], size = N_PAIRS), :]

其中
N_PAIRS
是您想要的对数

基准：

In [55]: # Input params
    ...: N = 1000000 # Number of queries
    ...: M = 2 # Number of cards to be picked
    ...: 
    ...: def original_app(N,M):
    ...:     out = np.empty((N,2),dtype=int)
    ...:     for i in range(N):
    ...:         out[i] = np.random.choice(12*4,M, replace=False)
    ...:     return out
    ...: 
    ...: def vectorized_app(N,M):
    ...:     return np.argpartition(np.random.rand(N,12*4),M,axis=1)[:,:M]
    ...: 
    ...: def itertools_app(N,M):
    ...:     all_pairs = np.array(list(combinations(range(12 * 4), M)))
    ...:     return all_pairs[np.random.randint(all_pairs.shape[0], size = N), :]

In [46]: %timeit original_app(N,M)
1 loops, best of 3: 10.8 s per loop

In [47]: %timeit vectorized_app(N,M)
1 loops, best of 3: 618 ms per loop

In [48]: %timeit itertools_app(N,M)
10 loops, best of 3: 24.8 ms per loop

当
M
非常小时，此方法速度非常快，因为
M
变得更大，组合的数量呈指数级增加，因此即使创建
all_pairs
数组也是不可能的（已经有
M=5
您有大约1700000个可能的组合）.
您可以使用基于
argsort/argpartition
的技巧来模拟的行为。想法很简单：我们创建一个随机数组并对其进行排序。由此获得的唯一排序索引类似于
np.random.choice（…，replace=False）

因为，我们希望有一个具有这种功能的2D数组，从一个随机2D数组开始，为了性能起见，我们将沿着每行获得前两个排序索引，以模拟
2
卡片拾取

因此，我们将有这样一种矢量化方法-

# N : Number of queries
# M : Number of cards to be picked
out = np.argpartition(np.random.rand(N,12*4),M,axis=1)[:,:M]

运行时测试-

In [55]: # Input params
    ...: N = 1000000 # Number of queries
    ...: M = 2 # Number of cards to be picked
    ...: 
    ...: def original_app(N,M):
    ...:     out = np.empty((N,2),dtype=int)
    ...:     for i in range(N):
    ...:         out[i] = np.random.choice(12*4,M, replace=False)
    ...:     return out
    ...: 
    ...: def vectorized_app(N,M):
    ...:     return np.argpartition(np.random.rand(N,12*4),M,axis=1)[:,:M]
    ...: 

In [56]: %timeit original_app(N,M)
1 loops, best of 3: 12.7 s per loop

In [57]: %timeit vectorized_app(N,M)
1 loops, best of 3: 678 ms per loop

另一种简单的方法，比@Holt best solution稍慢

def vectorized_app(N):
    u=np.random.randint(0,12*4,(2*N*103//100)).reshape(-1,2) # 3% more tries. 
    w=np.not_equal(*u.T) #selecting valid output, Two differents cards.
    return u[w][:N]

首先实现一个循环版本怎么样？将有超过1m个卡片组，所以循环太慢了。速度对于这个问题非常重要。这不是一个简单的解决方案。使用列表很容易，但速度很慢。@nickpick您只使用列表生成初始对集，它只包含我在文章中提到的
1128
对。这显然并不慢，除非您需要多次生成它。如果是这种情况，你应该详细说明你想对你的问题做什么。@nickpick无论你选择什么解决方案，你都不应该总是相信“完整的numpy”解决方案。对于
N=1000000
和
M=2
，上述解决方案比@DivakarNot根据其上述定时帖子提出的
矢量化应用程序
快得多。他说12秒vs。7secs@nickpick他的
原创应用程序
显然不是我的解决方案。