[已解决]多层循环优化运行速度

suchocolate

算上函数那10次，实际有100w次核心计算，numpy确实慢，帮你优化了一下代码，节省20%时间吧。

1. import matplotlib.pyplot as plt
   
2. import numpy as np
   
3. import time
   
4. 
   
5. start = time.time()
   
6. np.random.seed(0)
   
7. x_ = np.linspace(0, 1, 101)
   
8. y_ = []
   
9. ps = x_[::-1] # 直接取反不用逐个计算
   
10. d = {0: 2, 1: 2, 2: -1}  # 字典查询能够加速
    
11. for i, x in enumerate(x_):
    
12.     p = [x, ps[i]]
    
13.     w = 0
    
14.     for j in range(1000):
    
15.         for k in range(10):
    
16.             c = np.random.choice([0, 1], p=p, size=2).sum()  # 一次生成2个直接求和，p是普通列表页可以。
    
17.             w += d[c]
    
18.     y_.append(w)
    
19. end = time.time()
    
20. print(end-start)
    
21. plt.plot(x_, y_)
    
22. plt.show()
    

复制代码

用普通random帮你写了一个，这个1秒多：

1. import matplotlib.pyplot as plt
   
2. import time
   
3. import random
   
4. 
   
5. # 权重选择函数
   
6. def test(p):
   
7.     result = 0
   
8.     for m in range(2):
   
9.         r = random.uniform(0, 1)  # 随机一个浮点数
   
10.         if r <= p[0]:  # p中的概率也可以理解为权重，概率=权重/权重和，若权重某一轮为[0.2,0.8]，若随机数小于等于0.2，那么本轮结果为0，反之为1。
    
11.             result += 0
    
12.         else:
    
13.             result += 1
    
14.     return result
    
15. 
    
16. 
    
17. start = time.time()
    
18. x_ = [x / 100.0 for x in range(101)]
    
19. y_ = []
    
20. ps = x_[::-1]
    
21. d = {0: 2, 1: 2, 2: -1}
    
22. for i, x in enumerate(x_):
    
23.     p = {0: x, 1: ps[i]}
    
24.     w = 0
    
25.     for j in range(1000):
    
26.         for k in range(10):
    
27.             c = test(p)
    
28.             w += d[c]
    
29.     y_.append(w)
    
30. end = time.time()
    
31. print(end - start)
    
32. plt.plot(x_, y_)
    
33. plt.show()
    

复制代码

前几天一位鱼友的提问也是权重选择：https://fishc.com.cn/thread-204828-1-1.html

suchocolate

撕裂天堂 发表于 2021-11-13 15:54
刚刚把您的代码看完，最后一个确实很快，虽然我这破电脑还要跑6秒，但是比之前快老了，非常感谢，
我还 ...

有专门讲代码优化的书，可以到某东上搜搜。
知乎看这个也不错：https://zhuanlan.zhihu.com/p/143052860

1. import matplotlib.pyplot as plt
   
2. import numpy as np
   
3. 
   
4. 
   
5. np.random.seed(0)
   
6. 
   
7. 
   
8. x_ = np.linspace(0,1,101)
   
9. 
   
10. 
    
11. 
    
12. def shouyi():
    
13.     '''
    
14.     输入
    
15.     '''
    
16.     a = np.random.choice([0,1], p = p.ravel())  # 这里用size=2减少一次赋值操作
    
17.     b = np.random.choice([0,1], p = p.ravel())
    
18.     c = a+b
    
19.     if c == 0:  # 因为这里的if的结果都是固定的，所以可以直接用字典代替，字典查询比if快得多。
    
20.         w =  2
    
21.     elif c == 1:
    
22.         w = 2
    
23.     elif c == 2:
    
24.         w = -1
    
25.     return w
    
26. 
    
27. y_ = []
    
28. for x in x_:
    
29.     p = np.array([ x, 1-x ])  # np初始化array比普通列表慢，且列表内元素还需要计算，所以换成普通列表。考虑到p列表的第二个元素正好是 x_倒叙的值，所以我的代码里直接ps = x_[::-1]，省去了计算的过程。
    
30.     w = 0
    
31. 
    
32.     for i in range(1000): # 函数调用10次，每次参数都为空，没有变化，可以直接用for代替
    
33.         w1 = shouyi()
    
34.         w2 = shouyi()
    
35.         w3 = shouyi()
    
36.         w4 = shouyi()
    
37.         w5 = shouyi()
    
38.         w6 = shouyi()
    
39.         w7 = shouyi()
    
40.         w8 = shouyi()
    
41.         w9 = shouyi()
    
42.         w10 = shouyi()
    
43.         w = w + w1+w2+w3+w4+w5+w6+w7+w8+w9+w10
    
44.     y_.append(w)
    
45. 
    
46. plt.plot(x_,y_)
    
47. plt.show()

复制代码