我有一些想法，这当我帮助充分为我：
首先将计算并行化：
您正在生成大量的随机variates并转换它们，这是一个令人尴尬的 * 并行 * 问题。考虑使用joblib或多处理库来并行化随机 * 变量 * 的生成和转换。
第二个优化阵列操作：
我们使用scipy.stats.norm.cdf(mv)来转换整个 mv 数组。该操作在计算上可能是昂贵的，尤其是对于大型阵列。您可以尝试通过使用NumPy的ndarray方法将scipy.stats.norm.cdf替换为矢量化操作来优化它。
第三，使用更快的库生成随机数：
SciPy * 不是生成随机数 * 的最快库。如果速度是一个关键因素，请考虑使用NumPy等库，甚至是GPU加速库，如 CuPy或JAX，以生成随机变量。
forth分析你的代码：
使用像 cProfile 这样的分析工具或行分析器来确定代码的哪些部分占用的时间最多。这将帮助您将优化工作集中在代码中最耗时的部分。
这是一个示例代码

from joblib import Parallel, delayed
import numpy as np
import scipy.stats as stats

def generate_and_transform(i):
    mv = stats.multivariate_normal.rvs(mean=np.zeros(10), cov=correlation)
    unif = stats.norm.cdf(mv)
    mv_fin = stats.gamma.ppf(unif, a=1)
    return mv_fin

num_samples = 50000
results = Parallel(n_jobs=-1)(delayed(generate_and_transform)(i) for i in range(num_samples))

字符串
我认为JIT编译与Numba是帮助充分，但你应该文本和mesure他们

对于scipy.stats.norm.cdf，numba-stats包提供了一个函数，用于计算显然相同的事情。默认参数需要显式地提供给这个函数，而不是Scipy。您可以使用numba_stats.stats.norm_cdf(mv, 0, 1)来调用它。这是2. 2倍快，在我的机器上与i5- 9600 KF。速度的提升主要来自于多线程的使用（与Scipy实现相比，Scipy实现目前为止是顺序的）。
关于scipy.stats.gamma.ppf，事情更加复杂，因为Numba包似乎没有提供任何替代方案（即gamma子模块似乎到目前为止还没有实现）。Scipy的实现是顺序的。慢的部分似乎来自于（scipy.special模块的）gammaincinv函数，该函数被调用用于unif的所有值（1用于第一个参数）。此函数调用igami，该函数似乎来自Cephes库。来源可以在这里找到。此函数使用了许多昂贵的数学函数，如pow、exp、log（以及用于计算幂/无症状级数的基本循环）。库（和Scipy函数）似乎经过优化，以提供相当高的准确性，但性能相对较差。
有趣的是，在同一台机器上，使用相同版本的Scipy（1.10.1），在Linux上调用这个函数的速度比在Windows上快2.6倍。我认为这是由于在Linux上比在Windows上更有效地实现了默认的数学库。您可以尝试使用优化的数学库，例如英特尔的数学库，以加快计算速度。请注意，可能需要在目标计算机上重新生成Scipy（和Cephes）以提高性能。一个更简单的方法当然是尝试Intel Distribution for Python，假设您使用的是英特尔处理器（或者可能是AMD处理器，因为大多数英特尔工具都可以在上面工作，尽管性能可能不如英特尔处理器）。
另一种加速计算的可能方法是在计算函数scipy.stats.gamma.ppf时使用多线程。不幸的是，Scipy目前还不支持此功能。话虽如此，人们可以重新实现Scipy函数并调用gammaincinv函数，尽管这肯定是一项重要的工作。一个更简单（丑陋）的替代解决方案是简单地挂接函数scipy.stats.gamma._ppf，以便使用多个线程。实际上，这是一个纯Python函数，并且这样的函数可以重新赋值。在我的6核机器上，该策略将计算速度提高了3.75倍。这种优化可以与更好的数学库相结合。
下面是最终脚本：

from scipy.stats import multivariate_normal
import numpy as np
from numba_stats import norm
import scipy.stats
import scipy.special

import multiprocessing.pool
from types import MethodType
from joblib import Parallel, delayed

def multithreaded_gamma_ppf(self, q, a):
    cpu_count = multiprocessing.pool.get_context().cpu_count()
    size = q.shape[0]
    q_parts = [q[size*i//cpu_count:size*(i+1)//cpu_count] for i in range(cpu_count)]
    a_parts = [a[size*i//cpu_count:size*(i+1)//cpu_count] for i in range(cpu_count)]
    tmp = Parallel(n_jobs=cpu_count)(delayed(scipy.special.gammaincinv)(a_part, q_part) for a_part, q_part in zip(a_parts, q_parts))
    return np.concatenate(tmp)

# See https://stackoverflow.com/questions/10374527
scipy.stats.gamma._ppf = MethodType(multithreaded_gamma_ppf, scipy.stats.gamma)

if __name__ == '__main__':
    # Fake parameter just for a simple test
    correlation = 0.5

    # Windows:  5.95 s
    # Linux:    5.25 s
    mv = multivariate_normal.rvs(mean = np.zeros(10), cov = correlation, size = (50000, 50, 10))

    # Windows:  7.83 s => 3.53 s
    # Linux:    5.75 s => 2.21 s
    unif = norm.cdf(mv, 0, 1)

    # Windows:  2 min 48 s => 44.9 s
    # Linux:    1 min  6 s => 17.2 s
    mv_fin = scipy.stats.gamma.ppf(unif, a=1)

字符串
正如您所看到的，将多个线程与快速数学库相结合（或者只是为了简单起见而使用Linux）可以显著提高速度。优化后的实现时间从Windows上的181.78 s下降到Linux上的24.66 s。
这可是7.4倍的加速！

通过将gamma概率点函数替换为-ln（1 - x），可以将计算时间减少4倍。
我在试图找到逆不完全伽马函数的快速近似值时偶然发现了这一点：scipy.stats.gamma.ppf(unif, a=1)非常接近等于-np.log(1 - unif)。这是两个人的情节。
x1c 0d1x的数据
这是两个函数之间的差异图。请注意，Y轴的单位为10-15。

的
换句话说，这通常精确到小数点后15位。
使用gamma PPF的这种快速近似值，您可以像这样编辑原始代码。

mv = scipy.stats.multivariate_normal.rvs(mean = np.zeros(10), cov = correlation, size = (50000, 50, 10))
unif = scipy.stats.norm.cdf(mv)
mv_fin = -np.log(1 - unif)

字符串
在我的测试中，这大约是整体速度的4倍。
其他答案也解释了如何并行运行计算。这个想法可以与那些想法结合起来--既可以使用成本较低的计算，也可以并行运行。