Python 3.x 用python生成大量随机数

我想生成随机数，均匀地在-1和1之间。 我知道使用NumPy并生成一个数字数组比在for循环中逐个生成要好得多。 另一方面，我希望这些数字只使用它们一次，所以没有理由将它们存储在数组中。 我的问题是，什么是最好的解决方案，一方面，使用for循环没有时间效率，但我不存储不必要的数字，我一个接一个地生成它们，然后抛出它们。另一方面，数组的内存效率不高，因为如果我想生成10^10个数字，我需要创建一个10^10大小的数组，结果会很糟糕。

---

我认为最好的选择是一个接一个地生成小数组（10^3或10^4个元素），但我想知道是否有更好的解决方案来解决这个问题（可能是一个NumPy函数，它生成数字，但创建一个类似iterable的东西，它不会将所有的数字都存储在内存中？

你可以制作一个生成器，正如@Carcigenicate在评论中所说的，并将其与使用表达式的收益率生成整个数组的速度相结合

这看起来像这样：

def random_number（）：
尽管如此：
np.random.random（1000）*2-1的收益率

---

您可以根据需要调整一次生成的值的数量，越大越快，但使用的内存越多使用NumPy生成数字块是最好的，并且您希望尽可能保持操作矢量化

一个简单的基准测试表明，4k和64k之间的某个地方是一个合理的块大小：

from timeit import Timer
import numpy as np

for xp in range(20):
    size = 2**xp
    timer = Timer(
        f'rng.uniform(-1., 1., size={size})',
        'rng = np.random.default_rng()',
        globals=globals()
    )
    n, t = timer.autorange()
    t = min([t] + timer.repeat(3, n)) / n / size
    print(f'{size:8} = {1e-6/t:6.2f}M/s')

给我

1=0.47M/s
2=0.95M/s
4=1.89M/s
8=3.80M/s
16=7.43M/s
32=14.26M/s
64=27.10M/s
128=48.60M/s
256=78.72M/s
512=119.07M/s
1024=158.71M/s
2048=191.51米/秒
4096=218.71M/s
8192=233.25M/s
16384=241.23M/s
32768=245.35M/s
65536=248.75M/s
131072=250.53M/s
262144=252.62M/s
524288=253.99M/s

以矢量形式处理数字的速度要快几个数量级。 例如，给定一个64k值数组，

np.sum（x）

的向量化调用需要17µs，而类似版本通过生成器

sum（x）

需要3.5ms，即慢200倍。一旦你付出了代价，让浮点数进入非矢量化的Python世界，通过另一个

从

获得的收益没有多大区别，只需要4.5ms，例如：通过iPython

%timeit

魔术：

def yield_from(it):
    yield from it

x = np.random.uniform(-1, 1, size=2**16)

%timeit np.sum(x)
%timeit sum(x)
%timeit sum(yield_from(x))

---

如果您不需要存储结果，您可以使用一个生成器函数，该函数可以根据需要生成随机数。这比不使用任何外部函数逐个生成随机数快吗？