如何用NumPy新的np.random.Generator复现旧版np.random.rand随机数？

一、高效复现的最佳方法 #

直接借助旧版RandomState的状态来初始化Generator的MT19937生成器，既能完美对齐旧版rand的随机序列，又能保留Generator的现代接口优势。示例代码如下：

import numpy as np
from numpy.random import Generator, MT19937

# 旧版np.random.rand生成逻辑
np.random.seed(100)
x1 = np.random.rand(5)
print("x1:", x1)

# 用Generator复现旧版结果
# 先创建旧版随机状态对象，获取其完整内部状态
old_state = np.random.RandomState(100).get_state()
# 用旧状态初始化Generator的MT19937生成器
rng = Generator(MT19937(old_state))
x2 = rng.random(size=5)
print("x2:", x2)

运行后输出完全一致：

x1: [0.54340494 0.27836939 0.42451759 0.84477613 0.00471886]
x2: [0.54340494 0.27836939 0.42451759 0.84477613 0.00471886]

二、保持结果一致性的关键要点 #

• 算法必须匹配：旧版np.random默认用MT19937算法，Generator必须指定MT19937作为底层生成器，换用PCG64等其他算法的话，随机序列肯定不一样。
• 状态初始化要精准：直接给MT19937传种子和旧版RandomState的种子初始化逻辑有差异，必须通过RandomState.get_state()拿到完整的内部状态（包含种子、当前生成位置等信息）来初始化Generator，才能对齐序列起点。
• 接口要对应：旧版np.random.rand()等价于Generator的rng.random()，都是生成[0,1)区间的均匀分布数。注意参数格式：rand支持可变参数（比如rand(2,3)），而random需要用size=(2,3)指定形状。
• 别混用全局和局部状态：旧版np.random用的是全局状态，Generator是实例化的局部对象，复现时别同时用全局np.random操作和Generator实例，不然会打乱状态序列，导致结果不一致。

内容的提问来源于stack exchange，提问作者faith76