Python 对单个int使用np.random是错误的做法吗？

根据我最近发布的一条评论

您使用numpy.random而不是标准random的任何原因 模块

@Gulzar“有什么理由不这样做吗？”-是：模块NotFoundError:否模块 名为“numpy”。这是一个坏的做法，需要一个外部的图书馆 使用标准库同样可以做得很好的事情。 实际上，标准库会使程序稍微短一些 （导入随机；random.randint（低\u限制，高\u限制+1））

我想更好地理解为什么使用

np.random

比标准的random更糟糕

在这种情况下，我选择随机的原因是：

我的代码库是基于numpy的，从来没有遇到过问题。只需

pip安装

it即可

这是非常普遍的

当人们可以使用标准时，使用numpy真的有什么问题吗？从什么时候开始使用外部库是不好的做法（在发布此问题时有4票赞成）

我认为比标准差的例子有：

慢

不可读

很难合并到代码中

也许我应该在列表中添加一些项目

我希望今后避免不良做法：）

---

我希望我的问题足够具体，不会被认为是基于观点的。

---

如果问题仍然不够具体，请建议改进，而不是结束。

用户可能还没有安装的所有内容都是成本。另外，

import numpy

可能需要几秒钟的时间（每个程序运行一次的成本，但这可能非常烦人，特别是如果有人试图在shell脚本中多次运行您的程序）

---

如果程序逻辑的其余部分已经需要Numpy，那么继续。这里的成本都是一次性成本；一旦你被迫付款，就是这样。

在已导入

numpy

的

ipython

会话中：

In [1]: import random
In [2]: random.randint(0,100)
Out[2]: 89
In [3]: timeit random.randint(0,100)
1.5 µs ± 2.05 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [4]: timeit np.random.randint(0,100)
5.46 µs ± 121 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [5]: timeit np.random.randint(0,100,1)[0]
23.3 µs ± 1.32 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

在其他地方不需要

numpy

的情况下，使用

random

将生成更快、更通用的代码。特别是因为您必须采取额外的步骤

[0]

从数组中提取标量值。