应使用 np.random.default_rng() 创建独立随机数生成器实例，避免全局状态污染；推荐显式初始化 rng = np.random.default_rng(seed=42)，所有随机方法如 rng.normal()、rng.uniform()、rng.choice() 均从此调用，注意参数差异与 size 形状规范，并优先向量化生成以提升性能。
用 np.random.default_rng() 替代旧版 np.random 全局状态
NumPy 1.17+ 推荐用 np.random.default_rng() 创建独立随机数生成器实例，避免多线程或多次调用时状态污染。旧写法如 np.random.randn() 直接操作全局 RNG，容易在函数复用、单元测试或并行场景下出错。
实操建议：
- 始终显式创建生成器：
rng = np.random.default_rng(seed=42)，seed可控且可复现 - 所有随机方法都从
rng调用，比如rng.normal()、rng.uniform() - 不要混用新旧接口：
np.random.seed()对default_rng()实例无效 - 若需多个隔离的随机流（如不同模拟分支），分别创建
default_rng()实例，传不同 seed 或不传（自动熵初始化）
normal()、uniform()、choice() 三个最常用分布的参数差异
生成测试数据时，选对方法比调参更重要。这三个函数覆盖 90% 的常见需求，但参数习惯和默认行为有明显区别：
-
rng.normal(loc=0.0, scale=1.0, size=None)：正态分布，loc是均值，scale是标准差（不是方差） -
rng.uniform(low=0.0, high=1.0, size=None)：均匀分布，low包含，high不包含（左闭右开） -
rng.choice(a, size=None, replace=True, p=None)：从数组或整数范围中抽样；a若为整数（如5），等价于range(a)；replace=False时size不能超过a长度
示例：生成 1000 个 [−2, 5) 区间均匀浮点数：rng.uniform(-2, 5, size=1000)；生成带权重的类别标签：rng.choice(['A','B','C'], size=100, p=[0.6,0.3,0.1])
生成结构化测试数据时，size 参数的形状陷阱
size 控制输出数组维度，但容易误写成元组嵌套或标量混淆，尤其当需要二维表格型数据（如模拟 CSV 行列）时：
- 要生成 100 行 × 5 列的正态数据，写
rng.normal(size=(100, 5))，不是size=100,5（语法错误）或size=[100,5]（虽可运行但易读性差） -
size=100返回一维数组；size=(100,)也是 1D，但显式声明更清晰；size=()返回标量（0 维） - 与
reshape混用需谨慎：先生成再 reshape 可能打乱分布逻辑，应优先靠size一步到位 - 批量生成不同形状数据时，避免重复写
size，可用字典预定义：shapes = {'features': (1000, 12), 'labels': (1000,)}，再rng.normal(size=shapes['features'])
性能敏感场景下，避免在循环里反复调用随机函数
如果需要生成大量小批次数据（比如每轮训练喂一批噪声），在 Python 循环中反复调用 rng.normal() 会显著拖慢速度——函数调用开销 + 内存分配碎片化。
- 正确做法：一次性生成大数组，再切片使用。例如模拟 100 轮、每轮 32 个样本：
all_noise = rng.normal(size=(100, 32))，循环中用all_noise[i] - 若每轮 shape 不同，仍可预分配最大尺寸，用索引截取，避免频繁 malloc
- 注意内存：超大数组（如亿级）可能 OOM，此时需分块生成 + 流式处理，但优先检查是否真需要全量加载
- 不用
list.append()累加随机数组——Python list 追加 NumPy 数组会触发隐式拷贝，改用np.stack()或预分配np.empty()
真正影响效率的往往不是分布算法本身，而是调用频率和内存模式。把随机过程“向量化”一次到位，比调优单次 normal() 参数重要得多。
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！
