您可以通过执行您最初描述的操作（生成一堆随机数并相应地相乘和相除）来加快上述mtrw的速度…
另外，您可能已经知道这一点，但是在使用大型numpy数组时，请确保就地进行操作（* =，/ =，+
=等）。对于大型数组，这在内存使用方面产生了巨大的差异，并且还将显着提高速度。
In [53]: def rand_row_doubles(row_limits, num): ....: ncols = len(row_limits) ....: x = np.random.random((num, ncols)) ....: x *= row_limits ....: return x ....: In [59]: %timeit rand_row_doubles(np.arange(7) + 1, 1000000)10 loops, best of 3: 187 ms per loop
相比于：
In [66]: %timeit ManyRandDoubles(np.arange(7) + 1, 1000000)1 loops, best of 3: 222 ms per loop
差别不大，但是如果您 真的 担心速度，那就好了。
只是为了证明它是正确的：
In [68]: x.max(0)Out[68]:array([ 0.99999991, 1.99999971, 2.99999737, 3.99999569, 4.99999836, 5.99999114, 6.99999738])In [69]: x.min(0)Out[69]:array([ 4.02099599e-07, 4.41729377e-07, 4.33480302e-08, 7.43497138e-06, 1.28446819e-05, 4.27614385e-07, 1.34106753e-05])
同样，对于您的“行加总”部分，…
In [70]: def rand_rows_sum_to_one(nrows, ncols): ....: x = np.random.random((ncols, nrows)) ....: y = x.sum(axis=0) ....: x /= y ....: return x.T ....:In [71]: %timeit rand_rows_sum_to_one(1000000, 13)1 loops, best of 3: 455 ms per loopIn [72]: x = rand_rows_sum_to_one(1000000, 13)In [73]: x.sum(axis=1)Out[73]: array([ 1., 1., 1., ..., 1., 1., 1.])
老实说，即使您重新实现C语言中的功能，但我不确定您在这方面是否能胜过numpy …不过，我可能错了！
