NumPy 1.17+ 的 numpy.random 函数式接口线程安全，但 Generator 实例非线程安全；多线程共用同一 Generator 会因共享内部状态导致重复序列、ValueError 或分布偏差；应为每线程创建独立实例，推荐在工作线程内调用 default_rng(seed=None) 初始化。
numpy.random 在 NumPy 1.17+ 默认是线程安全的，但「线程安全」只针对其函数式接口（如 np.random.rand()、np.random.normal()），不适用于手动创建的 Generator 实例。很多线上问题其实出在这里，而不是误以为整个模块都不安全。
为什么 np.random.Generator 在多线程下会出错？
当你显式调用 np.random.default_rng() 或 np.random.Generator(np.random.PCG64()) 创建一个生成器对象，并在多个线程里共用它，就会触发竞态条件——因为 Generator 内部状态（如位移寄存器、索引偏移）不是线程隔离的。
典型错误现象：
- 生成重复序列（尤其在高并发小批量采样时）
-
ValueError: Generator is already in use by another thread（仅当启用了threading.settrace或某些调试器时才抛出） - 数值分布明显偏离预期（比如
normal(0, 1)标准差严重收缩）
怎样安全地在多线程中使用 np.random.Generator？
不要跨线程复用同一个 Generator 实例。每个线程应拥有自己的独立实例，且最好在各自线程内初始化，而非从主线程传递过去。
推荐做法：
- 在每个工作线程的入口处调用
np.random.default_rng(seed=None)——seed=None会基于系统熵和线程 ID 自动派生唯一种子，避免冲突 - 若需可重现性，显式传入 per-thread 种子，例如
np.random.default_rng(seed=base_seed + thread_id) - 避免把
Generator当作全局变量或类属性在多线程间共享
反例：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
rng = np.random.default_rng() # 主线程创建
def worker():
return rng.normal() # 所有线程共用，危险！
什么时候该用 random 而不是 numpy.random？
如果你只需要标量随机数（比如单个 int、float），且不涉及数组运算，标准库 random 模块配合 threading.local() 可能更轻量。
但要注意：random.Random() 实例本身不是线程局部的，必须手动绑定：
- 用
threading.local()存储每个线程专属的random.Random实例 - 不要直接调用
random.randint()等全局函数——它们操作的是模块级全局实例，不安全 - 示例：
local_rnd = threading.local(); local_rnd.gen = random.Random()
性能与兼容性陷阱
即使你做了线程隔离，仍可能踩坑：
-
np.random.Generator在 NumPy multivariate_normal）存在已知线程竞争 bug，升级到 1.22+ 更稳妥 - 频繁创建
Generator实例开销不大，但若每毫秒都 new 一个，建议在线程启动时缓存一次 - Windows 上 fork 子进程时，
Generator状态可能被意外继承，多进程场景优先用multiprocessing.get_context('spawn')
真正容易被忽略的点：线程安全 ≠ 进程安全；多线程方案不能直接套用到多进程，尤其是涉及 Generator 序列化或跨进程传递时，状态会丢失或错乱。
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！
