必须用np.random.default_rng(seed)创建Generator实例，不可直接调用旧接口；传固定整数种子（如42）确保可复现，传None则每次不同；integers()替代randint()，normal()或standard_normal()替代randn()，避免混用新旧接口。
用 default_rng() 创建 Generator 实例
必须先创建 Generator 对象，不能直接调用 np.random.random() 这类旧接口——后者仍能运行，但属于遗留模式，状态不可控、不推荐用于新项目。
最简方式是：
import numpy as np rng = np.random.default_rng(seed=42)
seed 参数可选，但强烈建议显式传入整数（如 42）或 None；传 None 时会基于系统熵自动初始化，结果不可复现。
- 不传
seed或传None：每次运行序列都不同，适合生产环境的非确定性场景 - 传固定整数（如
42）：相同 NumPy 版本下，rng.random(3)每次输出完全一致 - 避免用
np.random.seed(42)全局设种：它只影响旧RandomState行为，对Generator无效
integers() 替代 randint() 生成随机整数
旧版 np.random.randint(low, high) 默认包含 low、不包含 high，但语义模糊；新版 integers() 明确支持 endpoint 控制上界是否闭合。
立即学习“Python免费学习笔记（深入）”；
常用写法：
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
rng.integers(0, 10, size=5) # [0, 10) → 0~9，等价于旧版 randint(0, 10) rng.integers(1, 7, size=3, endpoint=True) # [1, 7] → 1~7，模拟掷骰子
-
endpoint=False（默认）：区间左闭右开，与旧版行为一致 -
endpoint=True：左右都闭，更符合直觉，尤其用于离散枚举场景 -
dtype可显式指定，如dtype=np.int32，避免在大数组中浪费内存
生成正态分布要用 normal() 或 standard_normal()
新版 Generator 不再支持 randn() ——该函数已从 Generator 实例方法中移除，仅保留在全局 np.random 命名空间中（为兼容旧代码）。
正确做法是：
rng.standard_normal(5) # 标准正态：μ=0, σ=1 rng.normal(loc=100, scale=15, size=3) # 自定义均值和标准差
-
standard_normal()是快捷方式，等价于normal(loc=0, scale=1, ...) -
scale参数对应标准差（不是方差），别和 SciPy 的norm.rvs()混淆 - 若需大量采样，直接传
size比循环调用快得多；size=None时返回标量
为什么不能混用 Generator 和全局 np.random 函数
全局 np.random.rand()、np.random.randn() 等函数底层仍走旧 RandomState 路径，它们有自己的内部状态，与你创建的 rng 完全无关。
这意味着：
- 调用
rng.integers(1, 6)和np.random.randint(1, 6)即使 seed 相同，结果也不同 - 两个
Generator实例（哪怕 seed 相同）彼此独立；但全局函数之间共享状态，易被意外污染 - 多线程/多进程时，
Generator实例可安全传递，而全局np.random函数线程不安全
真正需要跨上下文复现时，唯一可靠方式是把 Generator 实例本身作为参数传入函数，而不是依赖全局状态。
