NumPy中np.random.normal与default_rng().normal的区别是什么？

这两种写法核心差异在于随机数生成器的管理逻辑，具体区别如下：

• 全局状态 vs 独立实例
  np.random.normal属于NumPy旧版的全局随机数接口，所有np.random下的随机函数共享同一个全局状态。比如你在代码里调用了np.random.rand()，会直接改变后续np.random.normal的输出结果，因为它们共用一个生成器。
  而np.random.default_rng()会创建一个完全独立的随机数生成器实例，它的状态和全局状态、其他生成器实例都不关联，不会被其他代码的随机操作干扰。

• 可复现性的可靠性不同
  用np.random.normal做结果复现，需要先调用np.random.seed(固定值)初始化全局状态，但只要代码里有其他地方（或者依赖的第三方库）修改了全局随机状态，复现就会失效：

  np.random.seed(42)
  print(np.random.normal(0, 1, 1))  # 输出固定值
  np.random.rand()  # 改动全局状态
  print(np.random.normal(0, 1, 1))  # 结果和预期不一致
  

  用default_rng的话，直接给生成器传seed就行，每个生成器的状态独立，复现更靠谱：

  rng = np.random.default_rng(42)
  print(rng.normal(0, 1, 1))  # 固定输出
  rng.rand()  # 只改这个生成器的状态
  rng2 = np.random.default_rng(42)
  print(rng2.normal(0, 1, 1))  # 依然和第一次结果一致
  

• 接口设计与功能差异
  np.random的旧接口是函数式设计，参数规则不够统一，功能也相对有限。
  default_rng返回的Generator对象是NumPy官方推荐的现代接口，API更统一，还支持更多新的随机分布、灵活抽样方式，未来旧接口大概率会被逐步标记为过时。

• 线程安全表现不同
  全局随机生成器不是线程安全的，多线程环境下同时调用可能导致状态混乱，输出不符合预期。
  Generator实例则可以做到线程安全——只要每个线程使用独立的生成器实例，就不会出现状态冲突问题。

内容的提问来源于stack exchange，提问作者Gaff