numpy.random.Generator类与np.random常规方法有何差异？

这问题问得好！NumPy在1.17版本推出的新Generator API，确实是对旧np.random模块的一次全面升级。除了你提到的多种子跟踪、自定义PRNG这些点，日常使用里还有不少值得注意的差异，我给你梳理几个核心的：

• 线程安全，并发友好
  旧的np.random模块依赖全局状态，多个线程同时调用时会因为并发修改全局状态导致随机序列混乱，甚至出现重复值。而Generator是实例化的对象，每个实例独立维护自己的随机状态，多线程场景下给每个线程分配一个专属Generator就行，完全不需要加锁，安全又高效。

• API设计更统一清晰
  旧API的命名和参数逻辑有点混乱：比如生成整数有randint()，生成浮点数又有rand()、random_sample()；而新的Generator API把所有随机生成方法都统一到实例上，比如生成整数用gen.integers()，生成浮点数用gen.random()，参数逻辑也更一致。举个例子，gen.integers(0, 10)默认包含上限10（可以通过endpoint=False关闭），而旧的np.random.randint(0,10)默认不包含上限，这种细节上的统一让代码更易读、好维护。

• 更优的统计性能与算法支持
  Generator默认使用PCG64算法，这比旧模块默认的MT19937（梅森旋转算法）有更好的统计特性：更长的周期、更均匀的随机分布，尤其是在生成多维随机数时，避免了MT19937存在的部分相关性问题。另外，新API对很多分布的实现做了优化，比如gen.binomial()的执行效率更高，还支持一些旧模块没有的高级分布特性。

• 灵活独立的状态管理
  除了多种子支持，Generator的状态可以轻松保存和恢复：你可以通过gen.bit_generator.state获取当前状态，之后用gen.bit_generator.state = saved_state就能精准恢复到之前的随机序列。而旧的np.random模块的全局状态管理很麻烦，一旦多个地方修改全局状态，很容易出现难以调试的随机序列异常。

• 避免全局状态污染
  旧的np.random是全局单例，如果你在代码某处调用了np.random.seed()修改全局种子，会影响整个程序里所有使用np.random的地方——在大型项目或者第三方库中，这种全局污染很容易导致随机结果不可预测。而Generator是局部实例，每个生成器的状态完全独立，不会干扰其他代码的随机生成逻辑，代码的可维护性和可预测性大幅提升。

• 更直观的参数与扩展性
  新API的参数设计更符合直觉，比如所有分布函数的参数（如正态分布的均值loc、标准差scale）都保持一致的命名和传递方式；同时支持直接传入数组作为参数，生成对应形状的随机数，扩展性更强。

总的来说，在通用场景下，新的Generator API几乎全面优于旧的np.random模块，NumPy官方现在也推荐优先使用Generator接口。旧模块虽然还能兼容使用，但属于遗留接口，未来会逐渐被新API替代。

内容的提问来源于stack exchange，提问作者johannesack