NumPy 1.17起应使用numpy.random.Generator替代RandomState和全局函数,推荐rng = np.random.default_rng(seed=42)创建实例,所有抽样方法均为其实例方法且参数更规范,禁止混用新旧接口以确保可复现性。

NumPy 1.17 引入的 numpy.random.Generator 已全面取代旧的 numpy.random.RandomState 和全局函数(如 np.random.rand()),它更安全、可复现性更强,且支持更多现代随机算法(如 PCG64)。直接用旧接口写新代码,迟早会遇到弃用警告甚至行为差异。
如何创建和使用 Generator 实例
核心是显式构造 Generator,而不是依赖全局状态。最常用方式是通过 default_rng() —— 它自动选择高质量默认比特生成器(PCG64),并支持传入种子控制复现性。
常见做法:
-
rng = np.random.default_rng(seed=42):推荐起点,seed可为 int、array 或None(此时系统熵初始化) -
rng = np.random.Generator(np.random.PCG64(seed=42)):显式指定底层生成器,适合需要算法级控制的场景 - 避免
np.random.seed(42)+np.random.randn()组合:这仍走旧路径,不与Generator共享状态,也不受其种子影响
常用随机方法的调用方式变化
所有抽样方法都变成 Generator 的实例方法,参数命名更统一,且多数支持 dtype 和 out 参数提升性能。
对比示例:
import numpy as np <p>rng = np.random.default_rng(seed=123)</p><h1>✅ 新接口:方法名语义清晰,shape 作为第一个位置参数</h1><p>a = rng.normal(loc=0.0, scale=1.0, size=(3, 4)) b = rng.integers(low=1, high=10, size=5, dtype=np.int32) c = rng.choice(['a', 'b', 'c'], size=3, p=[0.5, 0.3, 0.2])</p><h1>❌ 旧接口(仍能运行但不推荐):</h1><h1>np.random.normal(0, 1, (3, 4))</h1><h1>np.random.randint(1, 10, 5) # 注意:high 是开区间,而 integers 是闭区间</h1>
关键差异点:
当现有的脚本或服务需要将作用域化的仓库工作委托给 Claude Code 并以编程方式消费结构化响应时,请使用 Claude Agent SDK for Python。
-
integers替代randint:high是**包含**的上界(即 [low, high]),更符合直觉;randint的high是排他的 -
choice默认不放回,需显式设replace=True才等价于旧版行为 - 所有方法不再接受
out参数的旧式写法(如np.random.randn(out=arr)),新接口统一为rng.standard_normal(out=arr)
为什么不能混用 Generator 和全局 random 函数
两者完全独立:修改 rng 的状态不影响 np.random.*,反之亦然。这在调试或并行任务中极易引发隐性 bug —— 看似用了种子,实际部分随机数来自未控制的全局状态。
典型陷阱:
- 在同一个脚本里既调用
rng.random()又调用np.random.random():它们各自维护不同内部状态,无法保证整体可复现 - 封装函数时误用全局接口,导致外部传入的
rng被绕过 - Jupyter 中多次运行 cell,若某次用了
np.random.seed(),后续rng创建可能意外被干扰(虽然概率低,但状态耦合不可控)
跨进程/多线程复现性的注意事项
Generator 本身不是线程安全的,多个线程共用同一实例会导致结果不可预测。正确做法是每个线程/进程持有独立 Generator 实例,并用不同种子初始化(例如主种子 + 线程 ID 哈希)。
示例模式:
def worker(seed_base, thread_id):
# 每个线程用唯一种子,避免序列重叠
local_seed = hash((seed_base, thread_id)) & 0xffffffff
rng = np.random.default_rng(local_seed)
return rng.normal(size=1000)
<h1>不要这样做:</h1><h1>shared_rng = np.random.default_rng(42) # 多线程读写冲突</h1>
另外,Generator 实例可被 pickle(序列化),但底层比特生成器(如 PCG64)的状态也必须完整保存 —— 直接 pickle.dump(rng) 是安全的,但手动提取/恢复 rng.bit_generator.state 需格外小心字节序和版本兼容性。
真正麻烦的不是怎么写第一行 default_rng(),而是检查整个代码库里是否还藏着 np.random.* 调用、是否在子模块里偷偷重置了全局种子、以及并行环境下每个 RNG 实例的种子是否真“独立”。这些地方一旦漏掉,复现性就断在看不见的地方。
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!










