Python 在Numpy中创建cos和sin数组的最有效方法

我需要存储一个大小为

n

的数组，其值为

cos（x）

和

sin（x）

array[[cos(0.9), sin(0.9)],
      [cos(0.35),sin(0.35)],
      ...]

每对cos和sin的参数由随机选择给出。我一直在改进的代码如下：

def randvector():
""" Generates random direction for n junctions in the unitary circle """
    x = np.empty([n,2])
    theta = 2 * np.pi * np.random.random_sample((n))
    x[:,0] = np.cos(theta)
    x[:,1] = np.sin(theta)
    return x

---

有没有一种更短或更有效的方法来实现这一点？

您可以使用列表理解来缩短代码：

def randvector(n):
    return np.array([(np.cos(theta), np.sin(theta)) for theta in 2*np.pi*np.random.random_sample(n)])

但是，正如IanH在评论中提到的，这要慢一些。事实上，通过我的实验，这个速度慢了5倍，因为它没有利用NumPy矢量化

所以要回答你的问题：

有较短的路吗

是的，这就是我在这个答案中给出的，虽然它只短了几个字符（但它节省了很多行！）

有没有更有效的方法（我相信你的意思是“高效”）呢

我相信在不使代码过于复杂的情况下，这个问题的答案是否定的，因为numpy已经优化了矢量化（将cos和sin值分配给数组）

时机 比较各种方法：

OP's

randvector

：0.002131 s

My

randvector

：0.013218秒

mskimm的randvector：0.003175秒

---

因此，看起来mskimm的

randvector

在代码长度结束效率=D方面看起来不错

您的代码足够有效。我认为justhalf的回答还不错

简而言之，这个代码怎么样

def randvector(n):
    theta = 2 * np.pi * np.random.random_sample((n))
    return np.vstack((np.cos(theta), np.sin(theta))).T

更新

附加cProfile结果

justhalf's

      5 function calls in 4.707 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.001    0.001    4.707    4.707 <string>:1(<module>)
     1    2.452    2.452    4.706    4.706 test.py:6(randvector1)
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
     1    0.010    0.010    0.010    0.010 {method 'random_sample' of 'mtrand.RandomState' objects}
     1    2.244    2.244    2.244    2.244 {numpy.core.multiarray.array}

      5 function calls in 0.088 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.000    0.000    0.088    0.088 <string>:1(<module>)
     1    0.079    0.079    0.088    0.088 test.py:9(randvector2)
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
     1    0.009    0.009    0.009    0.009 {method 'random_sample' of 'mtrand.RandomState' objects}
     1    0.000    0.000    0.000    0.000 {numpy.core.multiarray.empty}

4.707秒内调用5次函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.001    0.001    4.707    4.707 :1()
1 2.452 2.452 4.706 4.706测试。py:6（随机向量1）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
1 0.010 0.010 0.010 0.010{“mtrand.RandomState”对象的“随机样本”方法}
1 2.244 2.244 2.244 2.244{numpy.core.multiarray.array}

OP's

      5 function calls in 4.707 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.001    0.001    4.707    4.707 <string>:1(<module>)
     1    2.452    2.452    4.706    4.706 test.py:6(randvector1)
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
     1    0.010    0.010    0.010    0.010 {method 'random_sample' of 'mtrand.RandomState' objects}
     1    2.244    2.244    2.244    2.244 {numpy.core.multiarray.array}

      5 function calls in 0.088 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.000    0.000    0.088    0.088 <string>:1(<module>)
     1    0.079    0.079    0.088    0.088 test.py:9(randvector2)
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
     1    0.009    0.009    0.009    0.009 {method 'random_sample' of 'mtrand.RandomState' objects}
     1    0.000    0.000    0.000    0.000 {numpy.core.multiarray.empty}

0.088秒内调用5次函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.000    0.000    0.088    0.088 :1()
1 0.079 0.079 0.088 0.088测试。py:9（随机向量2）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
1 0.009 0.009 0.009 0.009{“mtrand.RandomState”对象的方法“随机样本”}
1 0.000 0.000 0.000 0.000{numpy.core.multiarray.empty}

我的

      21 function calls in 0.087 seconds

Ordered by: standard name

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    0.000    0.000    0.087    0.087 <string>:1(<module>)
     2    0.000    0.000    0.000    0.000 numeric.py:322(asanyarray)
     1    0.000    0.000    0.002    0.002 shape_base.py:177(vstack)
     2    0.000    0.000    0.000    0.000 shape_base.py:58(atleast_2d)
     1    0.076    0.076    0.087    0.087 test.py:17(randvector3)
     6    0.000    0.000    0.000    0.000 {len}
     1    0.000    0.000    0.000    0.000 {map}
     2    0.000    0.000    0.000    0.000 {method 'append' of 'list' objects}
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
     1    0.009    0.009    0.009    0.009 {method 'random_sample' of 'mtrand.RandomState' objects}
     2    0.000    0.000    0.000    0.000 {numpy.core.multiarray.array}
     1    0.002    0.002    0.002    0.002 {numpy.core.multiarray.concatenate}

0.087秒内调用21个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.000    0.000    0.087    0.087 :1()
2 0.000 0.000 0.000 0.000数值。py:322（asanyarray）
1 0.000 0.000 0.002 0.002形状_基础。py:177（vstack）
2 0.000 0.000 0.000 0.000 0.000形状\u底座。py:58（至少\u 2d）
1 0.076 0.076 0.087 0.087测试。py:17（随机向量3）
6 0.000 0.000 0.000 0.000{len}
1 0.000 0.000 0.000 0.000{map}
2 0.000 0.000 0.000 0.000{“列表”对象的“附加”方法}
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
1 0.009 0.009 0.009 0.009{“mtrand.RandomState”对象的方法“随机样本”}
2 0.000 0.000 0.000 0.000{numpy.core.multiarray.array}
1 0.002 0.002 0.002 0.002{numpy.core.multiarray.concatenate}

您的代码在我看来已经很好了，但这里还有一些想法

这是一条单行线。 它略慢于您的版本

def randvector2(n):
    return np.exp((2.0j * np.pi) * np.random.rand(n, 1)).view(dtype=np.float64)

我得到了n=10000的这些计时

你的：

1000 loops, best of 3: 716 µs per loop

我的简短版本：

1000 loops, best of 3: 834 µs per loop

如果速度是个问题，你的方法真的很好。 另一个答案显示了如何使用hstack。 这很有效。 这是另一个版本，与您的版本稍有不同，速度稍快

def randvector3(n):
    x = np.empty([n,2])
    theta = (2 * np.pi) * np.random.rand(n)
    np.cos(theta, out=x[:,0])
    np.sin(theta, out=x[:,1])
    return x

这给了我时间：

1000 loops, best of 3: 698 µs per loop

1000 loops, best of 3: 366 µs per loop

如果您有权访问numexpr，则以下速度更快（至少在我的机器上）

这给了我时间：

1000 loops, best of 3: 698 µs per loop

1000 loops, best of 3: 366 µs per loop

老实说，如果我写这篇文章的目的不是为了提高性能，我会和你做的差不多。 这让读者很清楚你的意图。 带有hstack的版本也运行良好

另一个简要说明： 当我运行n=10的计时时，我的单行版本是最快的。

---

当我不使用n=10000000时，快速纯numpy版本最快。

请假设numpy作为

np导入，您的代码是有效的。更短的是@justhalf的答案，更短的是它的lambda版本。虽然这是有效的Python，但它实际上没有利用NumPy的矢量化。这将是相当慢的，因为您正在将涉及的for循环从C（如OP的解决方案）移动到Python。+1@IanH：是的，我正在进行计时实验，它确实慢了。我会尝试更多的实验。你们认为把问题从“更短或最有效…”改为“最有效”更好吗？要避免答案中包含两个答案？在您的解决方案中，“更短”的代价太高。正如所指出的，答案是缓慢的。此外，一行太长，这使得它难看和难以阅读，而OP的解决方案非常清楚。也许时间度量可以帮助决定哪一行：P（感谢vstack的介绍）我可以在我的答案中包括你的时间安排吗？