推荐用 np.random.default_rng(seed) 创建独立生成器，避免全局状态问题；size 参数需谨慎使用以防广播错误；离散采样依需求选 integers() 或 choice()；大数据量时显式指定 dtype 节省内存。
用 np.random.default_rng() 替代旧的 np.random.rand() 系列
NumPy 1.17+ 推荐用新式随机数生成器，老函数如 np.random.rand()、np.random.randn() 仍能用，但共享全局状态，多线程下不安全，且无法复现种子更复杂的采样逻辑。
实操建议：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 统一用
rng = np.random.default_rng(seed=42)初始化一个独立生成器实例 - 后续调用都走
rng.random()、rng.normal()、rng.integers()等方法 - 避免混用新旧接口：比如
rng.random()和np.random.rand()不共享 seed，结果不可控 - 若需兼容旧代码或快速调试，
np.random.seed(42)仍有效，但仅影响全局生成器，别在库函数里依赖它
size 参数不是万能的，注意维度对齐和广播陷阱
几乎所有 np.random 方法都接受 size 参数控制输出形状，但它不等价于“想要几行几列就写几行几列”——尤其当跟其他数组运算结合时，容易因广播失败报错或静默出错。
常见错误现象：rng.normal(loc=0, scale=1, size=(3, 4)) + np.array([1, 2, 3]) 报 ValueError: operands could not be broadcast together
实操建议：
-
size写成元组最稳妥，比如(1000,)、(5, 8)；单个整数如1000会被解释为(1000,)，但语义模糊 - 做向量化运算前，先确认 shape：用
.shape检查，别靠脑补 - 需要按行/列独立采样时，别硬调
size，改用rng.normal(..., size=(n, 1))或rng.normal(..., size=(1, m))显式控制广播方向
离散采样选 rng.choice() 还是 rng.integers()？看是否带权重
生成随机整数看似简单，但需求不同，底层机制和性能差异明显。不用权重时硬上 choice() 会多一次索引开销；要权重又漏掉 p 参数，结果就完全不对。
使用场景对比：
- 等概率从
[0, 1, ..., n-1]取整数 → 用rng.integers(0, n, size=1000)，最快最省内存 - 从自定义数组（如
['a', 'b', 'c']）中抽样 → 必须用rng.choice(['a','b','c'], size=1000) - 带概率权重（如
p=[0.1, 0.6, 0.3]）→rng.choice(['a','b','c'], size=1000, p=[0.1,0.6,0.3])，此时integers()完全不适用 -
replace=False表示无放回抽样，注意size不能超过可选项总数，否则报ValueError: Cannot take a larger sample than population when 'replace=False'
生成大量数据时，dtype 不指定可能吃满内存
默认情况下，rng.random() 返回 float64，rng.integers() 返回 int64。跑实验时若只采 10 万个数，差别不大；但到千万级，float64 占用就是 float32 的两倍，容易触发 OOM 或拖慢传输。
实操建议：
- 明确精度需求：仿真/统计通常
float32够用，加dtype=np.float32参数即可 -
rng.integers(low, high, size=..., dtype=np.int32)在取值范围 ≤ 2³¹−1 时安全，省一半内存 - 注意
dtype不影响分布本身，只影响存储和计算精度；但某些低精度浮点数在累加或比较时可能引入误差，得看下游怎么用 - 别在循环里反复生成小数组拼接，改用一次性大
size+ 正确dtype，效率差十倍不止
真正麻烦的是跨平台复现性：即使 seed 相同，不同 NumPy 版本或硬件（尤其是 Apple Silicon）对 float32 的舍入处理可能有微小差异，要求强确定性时，别为了省内存轻易降精度。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
