在numpy中矢量化比较

如何在NumPy中对该循环进行矢量化？它使用NumPy的

二项式（）

函数的抽样来估计特定类型的55个事件中确切发生

m

的概率，其中发生

m

的概率为5%；即估计为55厘米（0.05）^米（0.95）^（55米）。其中55Cm=55/（米！（55米）！）

---

以下是等效代码：

p = np.zeros(M+1)
print p

我想你并不想让你的输出总是为零，但事实确实如此！因此，首先要做的是在

np.sum（）

调用中添加一个

dtype=float

参数。有了这些，我们可以像这样对整个事情进行矢量化：

samples = np.random.binomial(55, 0.05, (ntrials, M+1))
p = np.sum(samples == m, dtype=float, axis=0) / ntrials

这会产生一个等效（尽管不完全相同）的结果。原因是随机数生成是在不同的序列中完成的，因此您将得到一个“正确”但与旧代码不同的答案。如果希望得到与之前相同的结果，可以将第一行更改为：

samples = p.random.binomial(55, 0.05, (M+1, ntrials)).T

---

然后按照与之前相同的顺序绘制，没有实际的性能损失。

如果您用数学术语简要描述代码实际执行的操作，那就太好了。这难道不能用纯分析而不是数字来解决吗？是的，当然-例如，请参见问题中的公式。这是从分布中随机抽样的演示。矢量化可能不会给你带来太多好处；计算1M随机数的时间将使循环开销相形见绌。谢谢-我使用的是Python 3（尽管我的print语句可能给人留下了这样的印象），所以数据类型不是问题。有没有一种方法可以在不存储像

samples

这样的大型数组的情况下执行此操作？我不知道。你想解决的真正问题是什么？CPU时间太慢？内存太大？在某个时候，你最好写一些C或C++代码并调用它。这只是一个演示，但是我想尽可能高效：当前解决方案示例：代码> NTest每一个概率的概率，并且在只需要计数时存储值。

samples = p.random.binomial(55, 0.05, (M+1, ntrials)).T