Python代码运行结果不一致通常由隐含状态或外部依赖导致，常见原因包括：可变默认参数被复用、多线程未加锁引发竞态、浮点数精度与运算顺序差异、随机操作未设种子、字典/集合键来源不确定等。
Python 代码运行结果不一致，通常不是语言本身“随机”，而是由某些隐含状态、外部依赖或未定义行为导致的。下面几种情况最常见，也最容易被忽略。
全局变量或可变默认参数被意外修改
函数中使用可变对象（如列表、字典）作为默认参数时，该对象在函数定义时就创建了一次，后续调用会复用同一个对象：
def add_item(item, lst=[]): # ❌ 危险！默认列表只创建一次
lst.append(item)
return lst
<p>print(add_item(1)) # [1]
print(add_item(2)) # [1, 2] ← 不是预期的 [2]
✅ 正确写法：用 None 作默认值，内部新建对象：
def add_item(item, lst=None):
if lst is None:
lst = []
lst.append(item)
return lst
多线程/多进程共享状态未加锁
多个线程同时读写同一变量（如全局计数器），可能因执行顺序不同导致结果波动：
立即学习“Python免费学习笔记（深入）”；
- 没有用 threading.Lock 保护临界区
- 看似原子的操作（如
counter += 1）实际包含读取、计算、写入三步，中间可能被切换 - 使用 concurrent.futures 或 multiprocessing 时，子进程不共享内存，但若误用全局变量或文件 I/O，也可能表现不一致
浮点数精度与运算顺序影响
浮点数在计算机中无法精确表示，加上 Python 的浮点运算不保证严格结合律：
-
0.1 + 0.2 == 0.3返回 False -
sum([0.1]*10)和0.1 * 10可能产生微小差异 - Numpy 数组运算受数据类型（如
float32vsfloat64）、并行策略（如 OpenMP 启用与否）影响，结果可能有微小浮动
✅ 比较浮点数时用 math.isclose()；做数值计算前明确 dtype 和误差容忍范围。
随机性未设种子或依赖外部输入
以下操作每次运行都可能不同：
-
random.shuffle()、numpy.random.rand()等未调用random.seed()或np.random.seed() - 从文件、网络、用户输入、系统时间（如
time.time()）读取数据，而这些来源本身不稳定 - 字典/集合遍历顺序（Python 3.7+ 虽保持插入序，但若键来自不确定来源，顺序仍可能变化）
✅ 固定随机种子：random.seed(42)、np.random.seed(42)；对非确定性输入做预处理或 mock 测试。
