np.random.seed() 不生效是因为它只影响旧式函数，对新式 Generator 实例无效；Generator 必须在创建时通过 default_rng(seed=42) 指定种子，而非事后调用 seed()。
为什么 np.random.seed() 有时不生效？
直接调用 np.random.seed(42) 确实能设全局随机种子，但它只影响旧式函数（如 np.random.rand()、np.random.normal()），对新式 Generator 实例完全无效。更关键的是：一旦你或依赖库创建了 Generator（比如用 np.random.default_rng()），后续的 np.random.seed() 就不再控制它——这是最常被忽略的“失效”原因。
常见错误现象：np.random.seed(42); print(np.random.rand(3)); np.random.seed(42); print(np.random.rand(3)) 输出一致；但换成 rng = np.random.default_rng(); rng.random(3) 后，再调 np.random.seed(42) 就毫无作用。
- 旧 API（
np.random.*函数）受np.random.seed()控制，但已标记为 legacy - 新 API（
Generator）必须在创建时传入 seed 或BitGenerator - 多个
Generator实例互不影响，各自独立维护状态
如何正确创建可复现的 Generator 实例
显式构造 Generator 是当前推荐做法，它更灵活、线程安全，且避免全局状态干扰。核心是把种子作为参数传给 default_rng()，而不是事后调 seed()。
正确写法：
立即学习“Python免费学习笔记（深入）”；
import numpy as np rng = np.random.default_rng(seed=42) # ✅ 种子在初始化时指定 print(rng.integers(0, 10, size=3)) # 每次运行都一样 print(rng.normal(size=2)) # 同一 rng 实例下序列确定
注意：seed=None（默认）会基于系统熵生成不可复现种子；seed=42 和 seed=np.random.SeedSequence(42) 效果相同，但前者更简洁。
- 不要对已有
Generator调rng.seed(42)—— 它没有这个方法 - 不同
Generator实例即使 seed 相同，产生的序列也彼此独立（这是设计特性，不是 bug） - 若需多组正交随机流，用
SeedSequence.spawn(n)，避免手动加偏移
混用新旧 API 时的坑与兼容性
项目中可能同时存在 np.random.randn()（旧）和 rng.uniform()（新）。它们共享或隔离随机状态，取决于是否触发全局状态切换——而 NumPy 1.17+ 的行为是：旧函数仍走全局 RandomState，新 Generator 完全隔离。这意味着二者输出互不干扰，但也无法靠一个 seed() 统一控制。
典型问题场景：单元测试里先用 np.random.seed(42); a = np.random.rand(2)，再用 rng = np.random.default_rng(42); b = rng.random(2)，结果 a 和 b 都固定，但 a != b —— 因为它们底层用的是不同算法（MT19937 vs PCG64）。
- 性能上，
Generator通常更快，尤其批量生成；旧 API 在小数组上差异不大 - 跨版本兼容性：NumPy default_rng，必须用
np.random.RandomState(42) - 如果必须统一控制，就全程只用一种风格；混合使用时，要分别设种子，且接受结果差异
保存/恢复随机状态的实用方式
调试或断点续跑时，光记 seed 不够——因为 Generator 内部状态（如 PCG64 的 128 位 state）比整数 seed 丰富得多。真正可复现的最小单位是完整的状态对象。
推荐做法：
rng = np.random.default_rng(42) # ... 生成一些数 state = rng.bit_generator.state # ✅ 获取完整内部状态 # later... rng2 = np.random.default_rng() rng2.bit_generator.state = state # ✅ 精确恢复到同一位置
注意：state 是字典，含 'state'（实际数值数组）、'inc'（PCG64 特有）等字段，不能简单 pickle 后跨 NumPy 版本加载；bit_generator 类型也必须匹配（如 PCG64 不能赋给 MT19937 实例）。
-
rng.bytes(n)和rng.choice()等方法都会推进内部状态，保存时机很关键 - 用
np.random.get_state()/set_state()只适用于旧RandomState，对Generator无效 - 生产环境慎用状态快照——它比 seed 更脆弱，版本/平台迁移风险高
实际复现性最关键的不是选 seed 多大，而是确认所有随机操作都落在同一个可控的生成器实例里；一旦引入第三方库（如 scikit-learn 的 random_state 参数），还得检查它背后用的是哪种 NumPy 随机机制。
