Python 减少引导算法中的内存复杂性

我写这个函数是为了引导

from __future__ import division
import numpy as np


def bootstrap(array):
    """
    :type array: np.ndarray
    :param array: a 1D NumPy array, where array[i] is the count of the
                  i-th item.
    :rtype: np.ndarray
    """
    size = int(array.sum())
    probabilities = array / size
    values = np.arange(arr.shape[0])
    bins = np.cumsum(probabilities)
    result = np.zeros(arr.shape[0])

    for val in values[np.digitize(np.random.random_sample(size), bins)]:
        result[val] += 1

    return result

我不喜欢这样的事实，这一行

值[np.digitalize（np.random.random\u sample（size），bin）]

创建了size

array.sum（）的数组。我想保留内存复杂性
O（n）
，其中
n
是
数组的长度。我怎样才能在不牺牲速度的情况下让它变得更懒呢

附言。
如果你想给我指出慢速的
for
-循环，我已经使用了真实的版本来删除慢速的Python循环