用于模拟硬币翻转的 np.random.binomial() 与 random.choices()答案

【问题标题】：np.random.binomial() vs random.choices() for simulating coin flips用于模拟硬币翻转的 np.random.binomial() 与 random.choices()
【发布时间】：2021-05-26 11:22:39
【问题描述】：

我想使用 Python 模拟公平硬币的重复翻转。两种方法似乎是合理的，如下面的代码所示。请问它们是等价的吗？如果是，是否有充分的理由偏爱其中一个？

import random
import numpy as np

n = 10
p = 0.5

print(np.random.binomial(n, p))

results = random.choices([True, False], k=n)
print(results.count(True))

【问题讨论】：

标签： python numpy random

【解决方案1】：

实际上它们是等价的。

random.choices 选择 True 或 False 并替换，然后计算 True 以这种方式选择的次数。
binomial 使用给定的 p 参数返回 10 次伯努利试验的总和。因为这里是p = 0.5，所以相当于choices。

random.choices 方法的优点是不需要外部库，因为random 模块是 Python 标准库的一部分，因此默认情况下在 Python 中可用。另一方面，二项分布可让您模拟抛掷偏向硬币的正面数量，而不仅仅是公平硬币。

但是，numpy.random.* 函数，例如 numpy.random.binomial，已成为 NumPy 1.17 的遗留函数，出于向后兼容性的原因，它们的算法预计将保持原样。但是，该版本并未弃用任何 numpy.random.* 函数，因此它们暂时仍然可用。另见this question。如果您使用 NumPy 1.17 或更高版本，则应在较新的应用程序中使用 1.17 版中引入的新系统，包括 numpy.random.Generator。以下示例使用Generator 的binomial 方法：gen=np.random.default_rng(); print(gen.binomial(10, 0.5))。另见：Are numpy binomial random numbers inefficient?

NumPy 中提供了第三种等效方法：choice 方法。请注意，我们再次使用 NumPy 的 Generator 而不是传统的伪随机系统。

gen=np.random.default_rng();
print(np.sum(gen.choice([0,1],size=10)))

【讨论】：

【解决方案2】：

进一步说彼得所说：对于您的参数，您的替代方案之间没有明显差异，它们都只需要一两微秒即可执行。

如果你增加n 一点，例如到 1000，那么 numpy 版本将开始明显更快。这是因为它不需要建立一个列表然后计算该列表中的元素，它知道如何计算确切的值。

如果你将n 增加到几十亿，那么你必须使用numpy 版本，因为你将没有足够的内存来存储choices 生成的中间列表。

Asymptotically、choices 的缩放比例为 O(n)，而 Numpy 的 binomial 为 O(1)。

【讨论】：