关于NumPy随机数生成函数的两类核心疑问

1. 为什么NumPy有多个看似功能重复的随机数函数？ #

这些函数并非冗余，而是历史兼容和场景便捷性的产物：

• 以np.random.rand()和np.random.uniform()为例：
  rand()本质是uniform(0, 1)的简化版，参数直接传入生成数组的形状（比如rand(2,3)生成2行3列的[0,1)均匀分布数组），不用重复写low=0, high=1，适合快速生成常用的[0,1)区间均匀分布；而uniform()则支持自定义任意上下界，灵活性更强。
• 再看np.random.randn()、np.random.normal()和np.random.standard_normal()：
  standard_normal()是专门生成标准正态分布（均值0、标准差1）的函数，语义上更明确——看到这个函数就知道是标准正态，不用去检查normal()里的loc和scale参数是否正确；randn()则是standard_normal()的“形状参数简化版”，直接传形状即可（比如randn(3)等价于standard_normal(size=3)）；而normal()是通用版，支持自定义均值和标准差，覆盖所有正态分布场景。

这些函数大多是NumPy早期版本就存在的接口，为了兼容大量旧代码而保留，同时针对不同使用场景提供更顺手的写法，减少重复参数输入。

2. 为什么推荐用独立随机数生成器（rng = np.random.default_rng()）而非全局函数？ #

核心原因是避免全局随机状态的干扰，同时提升代码的可复现性和可控性：

• 全局函数（比如np.random.rand()、np.random.normal()）共享同一个全局随机状态。如果你的程序多个模块、多线程同时调用这些全局函数，或者第三方库也在使用它们，会互相篡改随机状态，导致生成的随机数序列不可预测，很难复现调试。
• 独立的Generator实例（default_rng()返回的对象）有自己独立的随机状态。你可以为不同的任务创建不同的rng实例，或者给特定实例设置固定seed（比如rng = np.random.default_rng(42)），确保该实例生成的随机数序列完全可复现，不会被其他代码干扰。
• 此外，default_rng()是NumPy官方推荐的现代随机数API，支持更多新的分布类型，设计上更模块化、更符合软件工程的最佳实践，逐步替代旧的全局函数接口。

内容的提问来源于stack exchange，提问作者Meep