如何优化一维无限直线Random Walk代码？消除嵌套循环

核心优化思路：用统计分布替代逐步模拟 #

原代码靠嵌套循环逐次模拟每一步游走，当trials和iterations达到1e5时，循环次数直接冲到1e10，效率极低。实际上，单次随机游走的最终位置可以通过二项分布直接推导，完全不需要嵌套循环：

• 每一步向右、向左的概率都是0.5
• 设iterations步里向右走了k步，向左就是iterations - k步
• 最终位置 = 初始位置 + (k - (iterations - k)) = 初始位置 + 2k - iterations
• k服从二项分布Binomial(n=iterations, p=0.5)

优化后的代码实现 #

方案1：用numpy向量化计算（性能最优） #

借助numpy的二项分布生成函数，批量生成所有试验的最终位置，彻底绕开Python循环：

import numpy as np
from collections import Counter

def run(initial_pos, iterations, trials):
    # 批量生成每个试验的向右步数k
    k = np.random.binomial(n=iterations, p=0.5, size=trials)
    # 计算所有最终位置
    final_positions = initial_pos + 2 * k - iterations
    # 转换为Python列表后统计分布
    return Counter(final_positions.tolist())

方案2：纯Python实现（无需依赖numpy） #

如果不能用numpy，可通过random.choices批量生成结果，消除内层循环：

import random
from collections import Counter

def run(initial_pos, iterations, trials):
    final_pos = []
    for _ in range(trials):
        # 直接统计当前试验的向右步数
        right_steps = random.choices([0, 1], k=iterations).count(1)
        pos = initial_pos + 2 * right_steps - iterations
        final_pos.append(pos)
    return Counter(final_pos)

性能对比 #

• 原代码：trials=1e5、iterations=1e5时，1e10次循环几乎无法完成
• 优化方案1（numpy）：相同参数下仅需毫秒级计算，性能提升数个数量级
• 优化方案2（纯Python）：比原代码快数十倍，但效率仍不如numpy

额外优化细节 #

• 彻底规避random.choice(["left","right"])这类字符串判断，数值化选择能大幅提升单步效率（优化方案已完全避免逐步判断）
• 若仅需位置分布的统计结果，还可直接通过二项分布的概率公式计算，无需生成所有试验的位置，进一步节省内存和计算时间

内容的提问来源于stack exchange，提问作者Cebul