为何np.random.choice运行速度远慢于np.random.randint？

我看到资料称np.random.choice比np.random.randint更快，但对比以下两段代码的运行速度：

第一段代码：

import numpy as np

for i in range(100000):
    np.random.choice(100)

第二段代码：

import numpy as np

for i in range(100000):
    np.random.randint(100)

实际测试后发现np.random.randint明显更快，请问这两个函数的差异是什么？

核心差异解析 #

1. 功能定位与底层实现 #

• np.random.randint是专门生成均匀分布整数的轻量函数，底层直接调用高效的整数随机生成器，逻辑简单，几乎无额外开销。当仅需[0, n)范围内的整数时，它是针对性优化的实现。
• np.random.choice是通用型采样工具，支持从任意一维数组（不仅是连续整数范围）中采样，还支持加权采样、无放回采样等复杂逻辑。即使仅传入整数n，它也会先创建0到n-1的临时数组，再从中采样，这一步额外的数组创建和索引操作会带来明显性能损耗。

2. 调用场景对性能的影响 #

你测试的是循环内单次调用的场景，这种情况下choice的临时数组初始化开销会被循环放大。但如果是批量生成大量随机数（直接指定size参数一次性生成），两者的性能差距会显著缩小：

# 批量生成100000个随机数的写法
np.random.choice(100, size=100000)
np.random.randint(100, size=100000)

此时choice可以一次性完成数组创建与采样，避免了循环带来的Python层额外开销，性能表现会更接近randint。

3. 资料结论的适用前提 #

你看到的“choice比randint更快”的结论，通常是基于复杂采样场景：比如需要从非连续数组中采样，或者需要加权、无放回采样逻辑时，choice是原生支持这些功能的高效实现；而如果用randint模拟相同逻辑，需要额外编写大量代码，性能反而会更差。

内容的提问来源于stack exchange，提问作者Trahtorco