Python 从2d概率numpy阵列中采样？

假设我有一个2d数组

ar

，如下所示：

0.9, 0.1, 0.3
0.4, 0.5, 0.1
0.5, 0.8, 0.5

我想根据这个概率数组从[1，0]中取样

rdchoice=lambda x:numpy.random.choice（[1,0]，p=[x，1-x]）

我尝试了两种方法：

1） 首先将其重塑为一维数组，然后使用

numpy.random.choice

将其重塑为二维：

np.array（list（map（rdchoice，ar.reshape）（-1，）））.reshape（ar.shape）

2） 使用矢量化功能

func=numpy.vectorize（rdchoice）
func（ar）

但这两种方法都太慢了，我了解到向量化的本质是for循环，在我的实验中，我发现

map

并不比

vectorize

快

---

我认为这可以做得更快。如果2d阵列很大，它的速度会非常慢

您应该能够这样做：

>>> p = np.array([[0.9, 0.1, 0.3], [0.4, 0.5, 0.1], [0.5, 0.8, 0.5]])
>>> (np.random.rand(*p.shape) < p).astype(int)

p=np.数组（[[0.9,0.1,0.3]，[0.4,0.5,0.1]，[0.5,0.8,0.5]） >>>（np.random.rand（*p.shape）实际上我可以使用：

---

np.重塑（[np.random.choice（[0,1]，p=[x，1-x]）对于arr.flat]，arr.shape中的x有多快）

？回答得好！非常感谢。后续行动。我想知道如果样本不是[0,1]，比如说它是[-1,1]，是否可能进行进一步的优化。我知道我可以添加一个额外的步骤，首先缩放它，然后添加一个值：Y=2*X-1。但有可能一步到位吗？如果样本是任意的，比如[23,15]？@lerner

np.where（np.random.random（p.shape）

import numpy as np
p = [[0.9, 0.1, 0.3],
     [0.4, 0.5, 0.1],
     [0.5, 0.8, 0.5]]

np.random.binomial(1, p)