我不知道np.random.choice是如何实现的，但我猜它是针对一般情况进行优化的。另一方面，你的数字不太可能产生相同的序列。在这种情况下，集合可能更有效，从头开始构建：

import random

def gen_2d(iterations, Chr_size, num_mut):
    randbps = set()
    while len(randbps) < iterations:
        listed = set()
        while len(listed) < num_mut:
            listed.add(random.choice(range(Chr_size)))
        randbps.add(tuple(sorted(listed)))
    return np.array(list(randbps))

字符串
这个函数从一个空集开始，在范围（Chr_size）中生成一个数字，并将该数字添加到集合中。由于集合的属性，它不能再次添加相同的数字。它对randbps也做同样的事情，所以randbps的每个元素也是唯一的。
对于np.random.choice与gen_2d的仅一次迭代：

iterations=1000
Chr_size=1000000
num_mut=500

%timeit np.random.choice(range(Chr_size),num_mut,replace=False)
10 loops, best of 3: 141 ms per loop

%timeit gen_2d(1, Chr_size, num_mut)
1000 loops, best of 3: 647 µs per loop

型

基于this solution中使用的技巧，这里有一种方法，它在随机元素数组上使用argsort/argpartition来模拟numpy.random.choice without replacement，以给予randbps作为2D数组-

np.random.rand(iterations,Chr_size).argpartition(num_mut)[:,:num_mut]

字符串
运行时间测试-

In [2]: def original_app(iterations,Chr_size,num_mut):
   ...:     randbps=[]
   ...:     for k in range(iterations):
   ...:         listed=np.random.choice(range(Chr_size),num_mut,replace=False)
   ...:         randbps.append(listed)
   ...:     return randbps
   ...: 

In [3]: # Input params (scaled down version of params listed in question)
   ...: iterations=100
   ...: Chr_size=100000
   ...: num=50
   ...: 

In [4]: %timeit original_app(iterations,Chr_size,num)
1 loops, best of 3: 1.53 s per loop

In [5]: %timeit np.random.rand(iterations,Chr_size).argpartition(num)[:,:num]
1 loops, best of 3: 424 ms per loop

型