问题描述
假设我有以下 numpy 数组：
Space = np.arange(7)
问题：如何从 Space 生成一组 N 个样本，以便：
- 每个样本仅由递增或递减的连续数字组成
- 采样是通过替换完成的，因此样本不需要单调递增或递减。
- 每个样本都以 6 或 0 结尾，并且
- 样本长度没有限制（但是，一旦选择了 6 或 0，每个样本就会终止）。
本质上，我正在通过 numpy 采样创建一个马尔可夫奖励过程（可能有一个更有效的数据包，但我不确定它会是什么。）例如，如果 N = 3，一个可能的采样集看起来像这样。
Sample = [[1,0],[4,3,4,5,6],2,1,0]]
我可以用这样不太优雅的东西来完成这个：
N = len(Space)
Set = []
for i in range(3):
X = np.random.randint(N)
if (X == 0) | (X==6):
Set.append(X)
else:
Sample = []
while (X !=0) & (X != 6):
Next = np.array([X-1,X+1])
X = np.random.choice(Next)
Sample.append(X)
Set.append(Sample)
return(Set)
但我想知道有什么更有效/pythonic 的方式来进行这种类型的采样，也许没有这么多循环？或者，是否有更好的 Python 库用于此类事情？谢谢。
解决方法
Numpy 在这里似乎没有多大帮助，我只是使用标准的 random 模块。主要原因是 random 在处理单个值时更快，除非需要，否则似乎不需要引入额外的依赖项。
from random import randint,choice
def bounded_path(lo,hi):
# r covers the interior space
r = range(lo+1,hi)
n = randint(lo,hi)
result = [n]
while n in r:
n += choice((-1,1))
result.append(n)
return result
似乎对我来说是正确的，例如评估上述 10 次，我得到：
[0]
[4,3,4,2,1,0]
[5,6]
[2,5,0]
[1,0]
[4,0]
[3,0]
[6]
[4,0]
刚刚做了随机数生成比较的快速基准：
def rng_np(X):
for _ in range(10):
X = np.random.choice(np.array([X-1,X+1]))
return X
def rng_py(X):
for _ in range(10):
X += choice((-1,+1))
return X
Numpy 版本慢了大约 30 倍。 Numpy 必须做很多额外的工作，每次迭代构建一个 Python 数组，转换为 Numpy 数组，切换 choice 以允许花哨的矢量化。 Python 知道原版中的 (-1,+1) 是常量，因此它只构建一次（例如，dis 可用于查看内部发生的情况）。
您可能可以通过处理更大的数字块来到达某个地方，但我怀疑它会快得多。保持起点的统一看起来很尴尬，但如果你真的小心，你可能会有所作为！当每个调用向量化大约 10 个值时，Numpy 开始收支平衡，当你有超过 100 个值时，它真的很出色。