Python 使用numpy生成带有case-when条件的随机数据 问题:

我想生成要建模的数据。基于以下逻辑：

输入：2个名为

z

和

d

的numpy数组

z

：1d数组，值0/1

d

：1d数组，值0/1

返回：

y

：1d数组。值：范数随机数

如果z==0，d==0，y~范数（1,1）

如果z==0，d==1，y~范数（0,1）

如果z==1，d==0，y~范数（1,1）

如果z==1，d==1，y~范数（2,1）

我想以一种超快速、清晰和类似蟒蛇的方式来做。

这似乎是基础数学和

np。其中
更快。在这种情况下，我只有3个条件（你们可以从基本数学部分清楚地看到）。若我有10个或更多的条件，在
If-else
语句中键入它们有时会令人困惑。我想进行数据模拟，这意味着我将在不同的
n
下生成数百万次的数据。那么，最好的方法是什么

我所尝试的：
口述案情
输出：

每个回路16.2 ms±139µs（7次运行的平均值±标准偏差，每个100个回路）

简单的
if-else
输出：

每个回路1.38 ms±22.1µs（7次运行的平均值±标准偏差，每个1000个回路）

基础数学
输出：

每个回路140µs±135 ns（7次运行的平均值±标准偏差，每个10000个回路）

np.在哪里
输出：

每个回路156µs±598 ns（7次运行的平均值±标准偏差，每个10000个回路）

还有其他新方法吗？
看来你已经在这里做了准备工作。结果现在是基于权衡。上述所有解决方案都在不同程度上符合标准

这个代码是用来教别人的吗？也许一天只执行一到两次？它是一个更大的项目的一部分，需要非常清楚，以便其他人维护？如果是这种情况，请选择较慢但更易于理解和阅读的选项

它是每天执行数千次还是数百万次？资源成本降低产品利润的钱？如果是这样的话，请好好评论一下，并使用更快的选项

看来，
基础数学
选项是最好的折衷方案，因为它简单易懂，而且执行速度快

我对每种方法的偏颇评价：


dict case when
：慢速，需要多次阅读/测试才能完全理解实际发生的情况，并找出是否存在任何未知问题
simple if else
：速度慢，需要多次阅读/测试才能完全理解实际发生的情况，并找出是否存在任何未知问题
基础数学
：如果你有一个小数学背景（应该包括大多数程序员），那么速度快，容易理解
np.where
：快速完成任务，需要多次阅读/测试才能完全理解实际发生的情况，但不太容易出错，因为它基于数组

以下是pythonic编写代码的哲学：


美胜于丑
显式比隐式好
简单总比复杂好
复杂总比复杂好
平的比嵌套的好
稀疏比密集好
可读性很重要

使用上述标准可以更容易地评估代码是否为pythonic。
我认为最快的选择是通过将数组值参数用于
normal
，只生成一次随机数。使用新的随机API：

import numpy as np

rng = np.random.default_rng()

# generate data
n = 2000
z = rng.binomial(1, 0.5, n)
d = rng.binomial(1, 0.5, n)

def generate_once(z, d):
    """Generate randoms for https://stackoverflow.com/questions/59676147"""

    # encode mean; scale is always 1 anyway in the example
    means = np.zeros_like(z, dtype=float)
    z_inds = z == 0
    d_inds = d == 0
    means[d_inds] = 1
    means[z_inds & ~d_inds] = 2

    # generate the data
    y = rng.normal(means)
    return y

y = generate_once(z, d)

我并没有试着和其他人较量，但我希望这是有竞争力的。如果是“<代码> >，请考虑它是您的<代码>的一个更快的变体。在映射
时使用快捷方式意味着
（一般来说，
可以缩放
），因为一个数组可以减少开销，而且只生成一次正常的数字应该可以减少运行时间。
我肯定你的
如果没有
做你认为会做的事情，那么请确保你所有的选项都先做同样的事情。@AndrasDeak抱歉，我的帖子修改得更好了，但是你也应该仔细看看
I==0&j==1
。
def myfun(x):
    return {(0,1):np.random.normal(0,1),\
            (0,0):np.random.normal(1,1),\
            (1,0):np.random.normal(1,1),\
            (1,1):np.random.normal(2,1)}[x]
%%timeit
y = [myfun(i) for i in zip(z,d)]

%%timeit
y = np.random.normal([0 if (i == 0) & (j ==1) else 2 if (i == 1) & (j == 1) else 1 for i,j in zip(z,d)],1)

%%timeit
h0 = np.random.normal(0,1,n)
h1 = np.random.normal(1,1,n)
h2 = np.random.normal(2,1,n)
y = (1-z)*d*h0 + (1-d)*h1 + z*d*h2

%%timeit
h0 = np.random.normal(0,1,n)
h1 = np.random.normal(1,1,n)
h2 = np.random.normal(2,1,n)
y = np.where((d== 0),h1,0) + np.where((z ==1) & (d== 1),h2,0) + np.where((z ==0) & (d== 1),h0,0)

import numpy as np

rng = np.random.default_rng()

# generate data
n = 2000
z = rng.binomial(1, 0.5, n)
d = rng.binomial(1, 0.5, n)

def generate_once(z, d):
    """Generate randoms for https://stackoverflow.com/questions/59676147"""

    # encode mean; scale is always 1 anyway in the example
    means = np.zeros_like(z, dtype=float)
    z_inds = z == 0
    d_inds = d == 0
    means[d_inds] = 1
    means[z_inds & ~d_inds] = 2

    # generate the data
    y = rng.normal(means)
    return y

y = generate_once(z, d)