Python 随机高斯向量的快速滚动

对于类似蒙特卡罗的模拟，我需要随机选取数千个随机高斯向量（即具有独立正态分布项的向量）。每个这样的向量都是固定长度的（大约100）

NumPy有一种实现这一点的方法：

import numpy.random
vectors = [numpy.random.normal(size=100) for _ in xrange(10000)]

NumPy的

random.normal

函数具有线性复杂度，对于较小的值有开销。然而，对于

size=100

，开销似乎并不显著（根据经验测试，大约30%；与

size=1

的开销相比，大约2300%）。也许我可以通过滚动一次，然后拆分数组（还没有尝试过）来节省一些开销

然而，对于我的需求来说，它仍然太慢了。也许我在这里太贪心了；我知道NumPy的随机化函数是用

c

编写的，考虑到了优化；尽管如此

timeit numpy.random.normal(size=100)
# 100000 loops, best of 3: 5.8 us per loop

（在IPython内部测试，使用其魔力

%timeit

）

对于10k矢量，这大约需要0.06秒。我想知道是否有一种更快的方法可以让我在不到0.6ms的时间内滚动10k大小为100的向量，也就是说，快100倍。解决方案可能涉及

c

扩展或任何需要的内容

更新 基于from

cppreference

的非常简单的

c++

代码显示了更好的性能：

#include <iostream>
#include <random>

int main()
{
    float x;

    std::random_device rd;
    std::mt19937 gen(rd());
    std::normal_distribution <> d(0,1);

    for(int i=0; i < 100000; i++)
    {
      x = d(gen);
    }
    std::cout << x << '\n';

    return 0;
}

---

这比NumPy给出的速度快约X20倍。然而，我不确定python的c扩展的开销，我也不知道这是否能成为一个比

numpy.random.normal

np.random.randn（10010000）

@behzad.nouri更快的python函数：谢谢你的回复！然而，这只将我的0.06秒提高到了0.04秒左右，与我所希望的相去甚远。使用numpy>=1.9，您可以使用线程来加速它，但它不能比使用numpy更快。numpy使用box-muller方法，使用ziggurat方法使用cextension可能会获得更好的性能。@jtaylor-谢谢；我相信这将远远超出我的

c

技能。然而，这可能是一个很好的方向。你的随机数应该有多正常，也就是说，你的分布会有多大的误差。这只是“大致正常”吗？那么也许有办法加快速度。

real    0m0.028s
user    0m0.020s
sys     0m0.004s