随机整数生成性能优化：提升[0,n)区间生成速度的方法

针对你遇到的函数调用和属性查找开销问题，以下几种方法可以在保持代码简洁的前提下显著提升生成速度，同时保留你原有的带偏差采样逻辑：

1. 用闭包生成专用随机函数（推荐） #

通过闭包预先绑定random.random方法和目标最大值，避免每次调用时的参数传递和属性查找开销——局部变量的访问速度远快于全局变量或对象属性：

from random import Random
import time

rand = Random(123)

def make_rand_generator(max_val: int, random: Random):
    # 缓存核心方法和最大值为局部变量
    _next_float = random.random
    _max = max_val
    def generate():
        return int(_next_float() * _max)
    return generate

# 创建固定生成[0,456)整数的函数
fast_rand_456 = make_rand_generator(456, rand)

# 测试性能
start = time.perf_counter()
for _ in range(10_000_000):
    val = fast_rand_456()
print(f"闭包版本耗时: {time.perf_counter() - start:.2f}s")

这个版本的速度接近直接在循环内写int(rand.random()*456)的水平，同时保持了函数式复用性——如果需要多个不同最大值的生成器，只需调用make_rand_generator多次即可。

2. 局部变量缓存核心操作 #

如果不需要复用生成逻辑，直接在循环前将random.random和最大值缓存为局部变量，能彻底消除属性查找的开销：

start = time.perf_counter()
_next_float = rand.random
_max = 456
for _ in range(10_000_000):
    val = int(_next_float() * _max)
print(f"局部缓存版本耗时: {time.perf_counter() - start:.2f}s")

这种写法性能最优，但复用性较差，适合单一场景的批量生成。

3. 装饰器封装（兼顾复用性和简洁性） #

用装饰器封装参数绑定逻辑，让代码结构更直观，适合需要对多个生成函数做统一封装的场景：

from functools import wraps

def bind_rand_config(max_val: int, random: Random):
    _next_float = random.random
    _max = max_val
    def decorator(func):
        @wraps(func)
        def wrapper():
            return func(_next_float, _max)
        return wrapper
    return decorator

# 定义生成逻辑并绑定参数
@bind_rand_config(456, rand)
def generate_rand(_next_float, _max):
    return int(_next_float() * _max)

start = time.perf_counter()
for _ in range(10_000_000):
    val = generate_rand()
print(f"装饰器版本耗时: {time.perf_counter() - start:.2f}s")

装饰器会带来极其微小的额外开销，但几乎可以忽略，同时保留了代码的可读性和复用性。

核心优化逻辑 #

Python中，对象属性查找（如rand.random）和函数参数传递都会带来额外开销。通过将核心方法和常量缓存为局部变量，我们将每次调用的开销降到了最低——局部变量的访问是Python中最快的变量查找方式。

内容的提问来源于stack exchange，提问作者TVOHM