NumPy 的随机数生成器具有内部状态，每次调用 np.random.random() 都会推进该状态；即使设置了相同种子，多次调用会产生不同结果，因此直接在表达式中重复调用将导致不可复现的输出。
numpy 的随机数生成器具有内部状态，每次调用 np.random.random() 都会推进该状态；即使设置了相同种子，多次调用会产生不同结果，因此直接在表达式中重复调用将导致不可复现的输出。
在使用 NumPy 进行可复现实验时，一个常见误区是认为只要设置了相同的随机种子（如 np.random.seed(2)），后续所有随机操作就必然返回完全一致的结果——但关键在于：随机种子仅初始化生成器状态，而每次随机函数调用都会改变该状态。
以你的两个案例为例：
Case 1（正确复现）：
你只调用了一次np.random.random((3,1))，将其结果赋值给变量array，再对这个固定数组执行-1运算。整个过程仅消耗一次随机状态，因此结果稳定、可复现。Case 2（意外偏差）：
np.random.random((3,1)) - 1表达式中，np.random.random((3,1))是一次独立调用——但它发生在 第一次调用之后（即array = ...已执行完毕）。此时生成器内部状态已被首次调用更新，第二次调用自然产生一组全新的随机数，再减 1 后结果必然与 Case 1 不同。
可通过以下代码直观验证状态推进机制：
import numpy as np
np.random.seed(2)
print("第一次调用:", np.random.random((2, 1)).round(6))
print("第二次调用:", np.random.random((2, 1)).round(6))
print("第三次调用:", np.random.random((2, 1)).round(6))输出示例：
第一次调用: [[0.435995]
[0.025926]]
第二次调用: [[0.549662]
[0.173958]]
第三次调用: [[0.991712]
[0.171902]]✅ 最佳实践建议：
- 若需复现性，请始终将随机结果显式赋值给变量，避免在表达式中隐式多次调用随机函数；
- 在科学计算或机器学习 pipeline 中，优先使用
np.random.Generator（推荐替代旧式np.random.*函数），它支持显式管理独立随机流，例如：
rng = np.random.default_rng(seed=2) array = rng.random((3, 1)) # 单次调用，清晰可控 result = array - 1
⚠️ 注意：np.random.seed() 是全局操作，多线程/多进程环境下可能引发竞争；生产级代码应避免依赖全局状态，改用 Generator 实例保障确定性与安全性。
