default_rng() 更可靠，因其创建独立随机数生成器实例，避免全局状态污染，解决单元测试失败、多线程不可复现等问题；而 np.random.seed() 修改全局状态，易被第三方库干扰。
为什么 default_rng() 比 np.random.seed() 更可靠
因为 np.random.seed() 修改的是全局状态，任何地方调用它都会影响后续所有随机操作——比如你引入的第三方库内部也调用了 np.random.rand()，就可能被你无意中“污染”。而 np.random.default_rng(seed=42) 创建的是独立实例，它的状态不与其他生成器共享。
常见错误现象包括：单元测试偶尔失败、多线程下结果不可复现、模型训练时数据打乱顺序在不同运行间不一致。这些问题往往不是代码逻辑错，而是全局种子被意外覆盖或重置。
- 同一进程内多个
rng = np.random.default_rng(42)实例，各自生成的序列完全相同，互不干扰 -
np.random.seed(42)后再调用np.random.default_rng()，新生成器仍会继承当前全局状态，但这是隐式依赖，不推荐 - 跨 Python 进程无法保证
np.random.seed()复现性，尤其在 NumPy 版本升级后（MT19937 → PCG64）
Generator 如何解决并行仿真中的随机流冲突
当你用 multiprocessing 或 concurrent.futures 启动多个 worker 时，如果每个都用 np.random.default_rng(42)，它们会生成完全相同的随机序列——这不是 bug，是设计使然：相同种子 + 相同算法 = 相同输出。你需要的是统计上独立、但又可复现的子流。
正确做法是用 SeedSequence 派生：
立即学习“Python免费学习笔记（深入）”；
from numpy.random import SeedSequence, default_rng ss = SeedSequence(42) child_seeds = ss.spawn(4) # 派生 4 个独立种子 r0 = default_rng(child_seeds[0]) r1 = default_rng(child_seeds[1])
这样得到的 r0 和 r1 不仅彼此独立（相关系数趋近于 0），而且只要主种子 42 不变，每次派生出的子种子序列也固定。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 不要用
time.time()或os.getpid()做种子，那会破坏可复现性 -
spawn(n)返回的是SeedSequence列表，不是整数，直接传给default_rng()即可 - 旧方法
np.random.RandomState().randint()无法派生独立流，也不支持现代 BitGenerator
integers() 为什么比 randint() 更安全
np.random.randint() 是遗留接口，行为容易踩坑：randint(1, 10) 生成的是 [1, 10) 区间（即最大为 9），而很多人直觉认为是 [1, 10]。新接口 integers() 明确支持 endpoint 参数，默认 False，语义更清晰。
使用场景差异明显：
- 做索引采样（如
arr[rng.integers(0, len(arr), size=5)]）必须确保上界不越界，endpoint=False天然适配 Python 切片习惯 - 模拟骰子（1–6 点）应写成
rng.integers(1, 7, endpoint=True)，而不是靠记忆randint(1, 7) -
integers()支持dtype参数，可直接生成np.uint32等窄类型，避免默认 int64 浪费内存
Generator 的性能和兼容性实际影响
默认的 PCG64 BitGenerator 比旧版 MT19937 更快，尤其在批量生成时（如 rng.normal(size=10**6)）。但要注意：不同 NumPy 小版本之间，即使种子相同，PCG64 输出也可能微调——这不是缺陷，而是算法实现细节优化所致。如果你需要跨版本严格复现，得显式指定 BitGenerator：
from numpy.random import PCG64 rng = np.random.Generator(PCG64(42))
不过这种需求极少，绝大多数科研和工程场景只需保证“同一环境、同一 NumPy 版本下可复现”即可。
- 旧代码迁移时，
np.random.rand(3)→rng.random(3)，函数名变化但参数几乎一致 -
Generator不支持rand、random_sample等别名，必须用新方法名 - 如果你维护的库仍用
RandomState，它不会自动升级到Generator，需主动重构
最易被忽略的一点：Generator 实例本身不是线程安全的——多个线程共用同一个 rng 对象调用 .random() 可能导致内部状态错乱。真要并发访问，要么每个线程持有一个独立实例（推荐），要么加锁。别指望“它叫 Generator 就天生支持多线程”。
