我需要存储一个大小为n的数组，其中包含cos(x)和sin(x)的值。
array[[cos(0.9), sin(0.9)],
[cos(0.35),sin(0.35)],
...]
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
你的代码已经很有效了。而justhalf的回答我认为也不错。
如果想要代码又有效又简短，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
追加cProfile结果。
justhalf的
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}
OP's
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}
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}
您的代码已经看起来很好了，但是这里还有一些想法。
这是一个一行的代码。 它比您的版本稍微慢一些。
def randvector2(n):
return np.exp((2.0j * np.pi) * np.random.rand(n, 1)).view(dtype=np.float64)
I get these timings for n=10000
Yours:
1000 loops, best of 3: 716 µs per loop
我的简化版：
1000 loops, best of 3: 834 µs per loop
如果速度是一个问题，你的方法确实非常好。 另一个答案展示了如何使用hstack。 那个方法也很好。 这里有另一种版本，与你的略有不同，但速度稍微快一点。
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
1000 loops, best of 3: 698 µs per loop
如果您可以访问numexpr，以下方法更快（至少在我的机器上）。
import numexpr as ne
def randvector3(n):
sample = np.random.rand(n, 1)
c = 2.0j * np.pi
return ne.evaluate('exp(c * sample)').view(dtype=np.float64)
1000 loops, best of 3: 366 µs per loop
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，这种方法速度较慢。事实上，通过我的实验，这种方法慢了5倍，因为它没有充分利用NumPy向量化。
所以回答您的问题：
是否有更简短的方法？
有，就在我给出的答案中，虽然只是比原来的代码少了几个字符（但是可以节省很多行！）
是否有更有效（我相信你指的是“高效”）的方法？
我认为，在不过于复杂化代码的情况下，回答这个问题的答案是否定的，因为numpy已经优化了向量化操作（将cos和sin值分配给数组）
比较各种方法：
OP的randvector：0.002131秒
我的randvector：0.013218秒
mskimm的randvector：0.003175秒
因此，看起来mskimm的randvector在代码长度和效率方面都很不错=D
np。 - Alejandro Sazo