用Python中的对数加速大a循环

我正在尝试加速以下代码：

from math import log
from random import random

def logtest1(N):
    tr=0
    for i in range(1,N):
        T= 40 + 10*random()
        tr += -log(random())/T

我对python相当陌生（来自matlab）。。。同样的代码在python中的运行速度比matlab（和Julia）慢5倍，这引起了我的注意

我尝试使用一个numba和一个parakeet包装器，以及numpy函数而不是python函数，但没有得到任何改进

我非常感谢你的帮助。 谢谢

---

编辑：整个过程是蒙特卡罗模拟，所以N非常大10e6出于测试目的

如果您使用的是Python 2.7x，请立即使用xrange 因此，在2.7中：

def logtest1(N):
    tr=0
    for i in xrange(N):  
        a = random()   # Just generate the random number once
        T= 40 + 10*a
        tr += -log(a)/T

---

下面是关于为什么xrange更好的一个总结：

如果您使用的是Python 2.7x，请立即使用xrange 因此，在2.7中：

def logtest1(N):
    tr=0
    for i in xrange(N):  
        a = random()   # Just generate the random number once
        T= 40 + 10*a
        tr += -log(a)/T

下面是关于xrange为什么更好的一个总结：

您应该认真研究一下。而且，当你这么做的时候。Numpy是一个针对N维数组数值的速度优化包，而Scipy是一个基于Numpy的科学计算工具的集合

如果使用numpy数组编写函数，则如下所示：

def logtest2(N):
    T = 40. + 10. * np.random.rand(N)
    return np.sum(-1*np.log(np.random.rand(N)) / T)

速度也快得多。使用

N=1000000进行测试时，您的版本的运行时间为500毫秒，而此版本的运行时间为75毫秒。
您应该认真研究一下。而且，当你这么做的时候。Numpy是一个针对N维数组数值的速度优化包，而Scipy是一个基于Numpy的科学计算工具的集合

如果使用numpy数组编写函数，则如下所示：

def logtest2(N):
    T = 40. + 10. * np.random.rand(N)
    return np.sum(-1*np.log(np.random.rand(N)) / T)

速度也快得多。使用
N=1000000进行测试时，您的版本的运行时间为500毫秒，此版本的运行时间为75毫秒。
您可以展示您使用numpy的尝试吗？您可以发布您的numpy代码并尝试使用numba吗？这种类型的循环使用
range
，只需简单的算术运算，正是numba擅长的循环类型。我想可能是使用
math.log
和/或
random.random
会触发一个numba标志，表明它不会尝试jit那些库方法。但是numpy/numba不能加速的说法是不合理的，所以我们需要看到code.BTW，
range（1，N）
运行循环
N-1
次。这是你的本意吗？通过将常量更改为
float
，即0.0、40.0、10.0，可以稍微提高速度。另外，
tr+=-log（random（））/T
比
tr=tr-log（random（））/T略慢。但是，与卡斯滕建议的使用numpy相比，使用这些微小变化所带来的速度提升是微不足道的（这就是为什么这是一个评论，而不是一个答案）。不，范围（1，N）不是有意的，它应该是（0，N），感谢您的注意。我尝试了你的建议，得到了改进，使代码比matlab代码慢了4倍（从5倍下降）。当我使用numpy时，我只是用numpy函数替换了log和random函数，但没有使用数组，因为正如我在下面解释的，模拟循环了很多次，试图创建一个大的数组会引发内存错误。你能展示你使用numpy的尝试吗？你能发布你的numpy代码和尝试使用numba吗？这种类型的循环使用
range
，只需简单的算术运算，正是numba擅长的循环类型。我想可能是使用
math.log
和/或
random.random
会触发一个numba标志，表明它不会尝试jit那些库方法。但是numpy/numba不能加速的说法是不合理的，所以我们需要看到code.BTW，
range（1，N）
运行循环
N-1
次。这是你的本意吗？通过将常量更改为
float
，即0.0、40.0、10.0，可以稍微提高速度。另外，
tr+=-log（random（））/T
比
tr=tr-log（random（））/T略慢。但是，与卡斯滕建议的使用numpy相比，使用这些微小变化所带来的速度提升是微不足道的（这就是为什么这是一个评论，而不是一个答案）。不，范围（1，N）不是有意的，它应该是（0，N），感谢您的注意。我尝试了你的建议，得到了改进，使代码比matlab代码慢了4倍（从5倍下降）。当我使用numpy时，我只是用numpy函数替换了log和random函数，但没有使用数组，因为正如我在下面解释的，模拟循环了很多次，试图创建一个大的数组会引发内存错误。只生成一次数字会改变分布，不要认为这是故意的。如果不知道你对代码的意图是什么。。。这感觉像是一个有待改进的领域。无论哪种方式，xrange都会做很多事情，而Carsten所写的nympy也会有所帮助。谢谢。使用xrange提高了10%的平均速度，这是相当可观的，但仍然不足以达到Julia速度。不幸的是，在两次计算中使用相同的随机数不是我可以接受的。仅在更改分布后生成该数字，不要认为这是故意的。如果不确切知道您对代码的意图是什么。。。这感觉像是一个有待改进的领域。无论哪种方式，xrange都会做很多事情，而Carsten所写的nympy也会有所帮助。谢谢。使用xrange提高了10%的平均速度，这是相当可观的，但仍然不足以达到Julia速度。不幸的是，在两种计算中使用相同的随机数不是我可以接受的。谢谢，这真的很有帮助，但是矢量化这部分代码是不可能的，因为完整的MC模拟循环了2480368834次，如果我想要更详细的结果，可能会更多。@Esteban分块执行。如果你总是对一百万次跑步进行矢量化，那么你只需要循环2481次。谢谢Carsten。我会尝试这个，如果这是一个新手问题，我道歉，我的领域不是编程，我学到了很多，只是我没有人可以问