有什么方法可以加快运行速度？

Question

我目前正在尝试进行蒙特卡洛模拟，问题是它需要相当长的时间才能运行 100,000 次或更多次，而我告诉它不应该花很长时间。

这是我的代码：

runs = 10000

import matplotlib.pyplot as plt
import random
import numpy as np
from scipy.stats import norm
from scipy.stats import uniform
import seaborn as sns
import pandas 

def steadystate():
    p=0.88
    Cout=4700000000
    LambdaAER=0.72
    Vol=44.5
    Depo=0.42
    Uptime=0.1
    Effic=0.38
    Recirc=4.3
    x = random.randint(86900000,2230000000000)
    conc = ((p*Cout*LambdaAER)+(x/Vol))/(LambdaAER+Depo+(Uptime*Effic*Recirc))
    return conc

x = 0
while x < runs:
    #results = steadystate (Faster)
    results = np.array([steadystate() for _ in range(1000)])
    print(results)
    x+=1
    
ax = sns.distplot(results,
                  bins=100,
                  kde=True,
                  color='skyblue',
                  hist_kws={"linewidth": 15,'alpha':1})
ax.set(xlabel='Uniform Distribution ', ylabel='Frequency')

我是 python 的新人，所以我不确定在哪里优化我的代码。 任何帮助或建议将不胜感激。

Answer 1

您实际上并没有从此处的numpy中受益，因为您一次生成每个值，对那个值进行所有数学运算，然后从结果生成数组。 从一开始就使用 arrays，对所有元素进行批量处理，以获得矢量化的好处：

import numpy.random

def steadystate(count):  # Receive desired number of values for bulk generation
    p=0.88
    Cout=4700000000
    LambdaAER=0.72
    Vol=44.5
    Depo=0.42
    Uptime=0.1
    Effic=0.38
    Recirc=4.3
    x = numpy.random.randint(86900000, 2230000000000, count)  # Make array of count values all at once

    # Perform all the math in bulk
    conc = ((p*Cout*LambdaAER)+(x/Vol))/(LambdaAER+Depo+(Uptime*Effic*Recirc))
    return conc

x = 0
while x < runs:
    results = steadystate(1000)  # Just call with number of desired items
    print(results)
    x+=1

请注意，此代码通过每次替换results而不是累积结果来匹配您的原始代码。 我不清楚你该怎么做，所以这只是在更快地做（可能）错误的事情。

Answer 2

您损失的大约 70% 的时间是随机数的创建。 问题是你是否每次都需要随机数？ 仅生成一次随机矩阵并重新使用它就足够了吗？

但是，代码非常快，不是吗。 除了绘图部分，这个 par 只花了 1.2 ms 进行一次迭代。

%timeit results = np.array([steadystate() for _ in range(1000)])
1.24 ms ± 3.35 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)