[已解决]多层循环优化运行速度

撕裂天堂

大佬们，python的for循环嵌套两层运行为啥这么慢阿，有没有好的解决办法，最好是不用三方库的
我这就两层循环，101*1000，感觉好慢

import matplotlib.pyplot as plt
import numpy as np


np.random.seed(0)


x_ = np.linspace(0,1,101)



def shouyi():
    '''
    输入
    '''
    a = np.random.choice([0,1], p = p.ravel())
    b = np.random.choice([0,1], p = p.ravel())
    c = a+b
    if c == 0:
        w =  2
    elif c == 1:
        w = 2
    elif c == 2:
        w = -1
    return w

y_ = []
for x in x_:
    p = np.array([ x, 1-x ])
    w = 0

    for i in range(1000):
        w1 = shouyi()
        w2 = shouyi()
        w3 = shouyi()
        w4 = shouyi()
        w5 = shouyi()
        w6 = shouyi()
        w7 = shouyi()
        w8 = shouyi()
        w9 = shouyi()
        w10 = shouyi()
        w = w + w1+w2+w3+w4+w5+w6+w7+w8+w9+w10
    y_.append(w)

plt.plot(x_,y_)
plt.show() 

最佳答案

月排行榜 / 总排行榜

suchocolate

2021-11-10 22:10:01

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。

import matplotlib.pyplot as plt
import numpy as np
import time

start = time.time()
np.random.seed(0)
x_ = np.linspace(0, 1, 101)
y_ = []
ps = x_[::-1] # 直接取反不用逐个计算
d = {0: 2, 1: 2, 2: -1}  # 字典查询能够加速
for i, x in enumerate(x_):
    p = [x, ps[i]]
    w = 0
    for j in range(1000):
        for k in range(10):
            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。
            w += d[c]
    y_.append(w)
end = time.time()
print(end-start)
plt.plot(x_, y_)
plt.show()

用普通random帮你写了一个，这个1秒多：

import matplotlib.pyplot as plt
import time
import random

# 权重选择函数
def test(p):
    result = 0
    for m in range(2):
        r = random.uniform(0, 1)  # 随机一个浮点数
        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。
            result += 0
        else:
            result += 1
    return result


start = time.time()
x_ = [x / 100.0 for x in range(101)]
y_ = []
ps = x_[::-1]
d = {0: 2, 1: 2, 2: -1}
for i, x in enumerate(x_):
    p = {0: x, 1: ps[i]}
    w = 0
    for j in range(1000):
        for k in range(10):
            c = test(p)
            w += d[c]
    y_.append(w)
end = time.time()
print(end - start)
plt.plot(x_, y_)
plt.show()

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

跳转到最佳答案楼层

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。

import matplotlib.pyplot as plt
import numpy as np
import time

start = time.time()
np.random.seed(0)
x_ = np.linspace(0, 1, 101)
y_ = []
ps = x_[::-1] # 直接取反不用逐个计算
d = {0: 2, 1: 2, 2: -1}  # 字典查询能够加速
for i, x in enumerate(x_):
    p = [x, ps[i]]
    w = 0
    for j in range(1000):
        for k in range(10):
            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。
            w += d[c]
    y_.append(w)
end = time.time()
print(end-start)
plt.plot(x_, y_)
plt.show()

用普通random帮你写了一个，这个1秒多：

import matplotlib.pyplot as plt
import time
import random

# 权重选择函数
def test(p):
    result = 0
    for m in range(2):
        r = random.uniform(0, 1)  # 随机一个浮点数
        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。
            result += 0
        else:
            result += 1
    return result


start = time.time()
x_ = [x / 100.0 for x in range(101)]
y_ = []
ps = x_[::-1]
d = {0: 2, 1: 2, 2: -1}
for i, x in enumerate(x_):
    p = {0: x, 1: ps[i]}
    w = 0
    for j in range(1000):
        for k in range(10):
            c = test(p)
            w += d[c]
    y_.append(w)
end = time.time()
print(end - start)
plt.plot(x_, y_)
plt.show()

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

撕裂天堂

suchocolate 发表于 2021-11-10 22:10
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。

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，
我还有点小问题，为啥您这样写可以快这么多，我之前的代码是哪部分耗时太长，我想学习这方面的知识应该看哪些书籍还有视频

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

import matplotlib.pyplot as plt
import numpy as np


np.random.seed(0)


x_ = np.linspace(0,1,101)



def shouyi():
    '''
    输入
    '''
    a = np.random.choice([0,1], p = p.ravel())  # 这里用size=2减少一次赋值操作
    b = np.random.choice([0,1], p = p.ravel())
    c = a+b
    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。
        w =  2
    elif c == 1:
        w = 2
    elif c == 2:
        w = -1
    return w

y_ = []
for x in x_:
    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。
    w = 0

    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
        w1 = shouyi()
        w2 = shouyi()
        w3 = shouyi()
        w4 = shouyi()
        w5 = shouyi()
        w6 = shouyi()
        w7 = shouyi()
        w8 = shouyi()
        w9 = shouyi()
        w10 = shouyi()
        w = w + w1+w2+w3+w4+w5+w6+w7+w8+w9+w10
    y_.append(w)

plt.plot(x_,y_)
plt.show()