Python 在函数上循环时，有没有更快的方法返回多个值？

这能做得更快吗？ 例如，在不同阶段追加值，或使用不同类型的循环

当前时间：

positions=[];  velocities=[]

for _ in range(1000):   
    position, velocity = generateRandomVectors()
    positions.append(position)
    velocities.append(velocity)

速度很快，但我有很多向量要生成。

您可以尝试使用模块中的方法：

如果没有

numpy

模块，可以通过命令提示符命令

from numpy import split, array

position, velocity = split(array(tuple(generateRandomVectors() for _ in range(1000))), 2, 1)

您可以尝试使用模块中的方法：

如果没有

numpy

模块，可以通过命令提示符命令

from numpy import split, array

position, velocity = split(array(tuple(generateRandomVectors() for _ in range(1000))), 2, 1)

---

您应该尽可能多地使用矢量化

pip install numpy

每个回路2.19 ms±10.8µs（7次运行的平均值±标准偏差，每个100个回路）

如果不是每次调用生成一个向量，而是在一次调用中生成1000个向量，那么它在这里的运行速度要快15倍

def生成器域向量（n）：
返回np.random.randn（n，3），np.random.randn（n，3）
位置、速度=生成向量（1000）

每个回路145µs±533 ns（7次运行的平均值±标准偏差，每个10000个回路）

---

一个区别是，现在位置和速度是数组而不是列表。这很好，因为您可以节省内存并执行批处理操作，如果您不尝试附加更多元素，这很好。

您应该尽可能多地使用矢量化

pip install numpy

每个回路2.19 ms±10.8µs（7次运行的平均值±标准偏差，每个100个回路）

如果不是每次调用生成一个向量，而是在一次调用中生成1000个向量，那么它在这里的运行速度要快15倍

def生成器域向量（n）：
返回np.random.randn（n，3），np.random.randn（n，3）
位置、速度=生成向量（1000）

每个回路145µs±533 ns（7次运行的平均值±标准偏差，每个10000个回路）

---

---

一个区别是，现在位置和速度是数组而不是列表。这很好，因为您可以节省内存并执行批处理操作，如果您不尝试添加更多元素，这很好。

如果您正在寻找速度，python不是正确的工具……python不是完成了很多机器学习吗？你是说机器学习不需要速度吗？“0.04439204000018”-奇怪的是，对我来说，它只需要大约200倍的速度。非常奇怪。@NirAlfasi我不知道这是不是真的，但不管怎样，我问这个问题是因为我在语言上没有选择。@superbrain当然，当你用C/C++编写模块时，它会运行得更快。然而，我不相信这是OP所要求的。如果你在寻找速度，python不是正确的工具……python不是完成了很多机器学习吗？你是说机器学习不需要速度吗？“0.04439204000018”-奇怪的是，对我来说，它只需要大约200倍的速度。非常奇怪。@NirAlfasi我不知道这是不是真的，但不管怎样，我问这个问题是因为我在语言上没有选择。@superbrain当然，当你用C/C++编写模块时，它会运行得更快。然而，我不相信这是OP所要求的。如果没有额外的

重塑

，那么

np.random.randn（n，3）

如何呢？谢谢你的观察，我很难记住所有函数都接收多维大小或只接收元素数。自从你提到我会更新。嗯，有点失望，这没有使它更快。你的意思是删除额外的重塑？这对速度没有任何影响，因为它是相同的数据，只是以不同的方式查看。@user12750353非常感谢！当我记住这些信息时，我的最终计算（比我问题中的示例更复杂）大约快10倍。如果没有额外的

重塑
，那么
np.random.randn（n，3）
呢？谢谢你的观察，我很难记住所有函数都接收多维大小或只接收元素数。自从你提到我会更新。嗯，有点失望，这没有使它更快。你的意思是删除额外的重塑？这对速度没有任何影响，因为它是相同的数据，只是以不同的方式查看。@user12750353非常感谢！当我记住这些信息时，我的最终计算（比我问题中的例子更复杂）大约快10倍。