np.random.choice可按指定概率从离散选项抽样，需确保p参数长度匹配且和为1；推荐用default_rng创建Generator实例调用choice方法；连续分布需离散化近似或改用scipy.stats。
用 np.random.choice 指定概率生成离散随机数
这是最常用也最直接的方式，适用于从有限个选项中按给定概率抽样。关键点是：p 参数必须是长度与选项数组一致的概率列表，且所有概率之和必须严格为 1（否则会报 ValueError: probabilities do not sum to 1）。
常见错误包括：传入浮点误差未归一化的概率、用整数代替浮点数导致隐式类型截断、忘记 size 参数而只得到单个值。
- 确保
p是float64类型，推荐显式除以sum(p)归一化 - 若需批量生成，务必传
size=1000这类参数，否则默认只返回一个标量 - 选项数组可以是数字、字符串甚至对象，但
p必须与之等长且一一对应
import numpy as np options = ['A', 'B', 'C'] probs = [0.1, 0.6, 0.3] # 不必手动归一，但建议检查 probs = np.array(probs) / np.sum(probs) # 安全起见 sample = np.random.choice(options, size=5, p=probs) # → ['B' 'B' 'C' 'B' 'A']（每次不同）
用 np.random.Generator 替代旧式 np.random（推荐新写法）
NumPy 1.17+ 引入了 Generator 对象，它比全局 np.random 更可控、可复现，且是未来唯一支持的接口。旧写法如 np.random.choice(...) 仍可用，但底层已逐步迁移。
使用 Generator 时，概率逻辑不变，但需先创建实例，并显式调用其方法。这在多线程或需要多个独立随机流的场景下更可靠。
立即学习“Python免费学习笔记（深入）”；
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
- 用
np.random.default_rng(seed=42)初始化，比np.random.seed(42)更安全 -
rng.choice()的参数与旧版一致，只是调用方式不同 - 避免混用：不要一边用
rng，一边又调np.random.choice，它们共享或不共享状态取决于 NumPy 版本，易出错
rng = np.random.default_rng(seed=123) data = rng.choice([1, 2, 3], size=10, p=[0.2, 0.5, 0.3])
连续分布怎么办？用 np.random.Generator 的专用方法
如果目标不是从几个离散值里选，而是想按某个自定义连续概率密度函数（PDF）采样，np.random.choice 就不适用了。此时需转换思路：先构造足够密的离散近似，再用 choice 抽样；或改用其他库（如 scipy.stats）。
例如模拟一个非标准的三角分布，可先在区间上密集采点，计算每个点的 PDF 值，归一化后作为 p 传入：
- 网格越密，逼近越准，但内存和计算开销上升
- PDF 值为负或含 NaN 会导致
choice报错，务必提前过滤或 clip - 若 PDF 解析式复杂，建议直接用
scipy.stats.rv_continuous自定义分布并调rvs()
x = np.linspace(0, 2, 1000) pdf = np.where(x <= 1, x, 2 - x) # 三角形 PDF pdf = pdf / pdf.sum() # 归一化成概率质量 samples = rng.choice(x, size=500, p=pdf)
注意 np.random 的状态隔离与可复现性
很多人以为设了 seed 就万事大吉，但实际中容易忽略：不同 NumPy 版本对全局随机器的处理有差异；多进程下 fork 会复制相同状态；Generator 实例之间互不影响，但和全局 np.random 状态无关。
真正可靠的可复现写法是：始终用 default_rng 创建独立实例，并把该实例传入函数，而不是依赖全局状态。
- 别在模块顶层调
np.random.seed()，尤其当代码被多次 import 时 - 函数参数中显式接收
rng: np.random.Generator，比默认用全局更清晰 - 保存/恢复状态要用
rng.bit_generator.state，而非旧式get_state/set_state
概率采样的“确定性”很容易被看似无关的随机操作破坏，比如中间调用了某个没指定 rng 的第三方函数，它可能悄悄动了全局状态。
