随机数怎么生成？np.random.seed 和 default_rng 有什么不同？

常用随机数生成：

import numpy as np
np.random.rand(3, 2)        # [0,1) 均匀分布
np.random.randn(3, 2)       # 标准正态分布
np.random.randint(0, 10, 5) # 0~9 的 5 个随机整数
np.random.uniform(1, 5, 3)  # [1,5) 均匀
np.random.normal(0, 1, 3)   # 均值0标准差1的正态
np.random.choice([1,2,3], size=2, replace=False)  # 不放回抽样
np.random.shuffle(a)        # 原地打乱

固定随机种子 = 结果可复现：

np.random.seed(42)          # 老 API：设全局种子
a = np.random.rand(3)

rng = np.random.default_rng(42)   # 新 API：独立随机数发生器（推荐）
b = rng.random(3)
c = rng.integers(0, 10, 5)        # 注意新 API 方法名不同

np.random.seed vs default_rng 的区别：

| 维度 | np.random.seed（旧 API） | np.random.default_rng（新 API，NumPy 1.17+） |

|---|---|---|

| 作用范围 | 全局，影响所有 np.random 调用 | 局部对象，互不干扰 |

| 并发安全 | 全局状态多线程易出问题 | 每个 rng 独立，线程安全 |

| 随机质量 | 老算法（MT19937） | 新算法（PCG64），质量更好 |

| 方法名 | rand/randint/random_sample | random/integers/uniform/normal |

| 推荐 | 老代码兼容 | 新代码都用它 |

最佳实践： 训练/实验代码开头 rng = np.random.default_rng(42)，保证多次运行结果一致、可复现，这是科研和调试的基本功。