为何`np.random.default_rng()`相比`numpy.random.seed`可避免随机种子被意外修改？

嗨，这个问题问得太戳痛点了——我之前在做实验复现的时候，被numpy.random.seed()坑了好多次，换成default_rng()才彻底解决了种子被偷偷篡改的问题，给你把来龙去脉说清楚：

• 全局状态 vs 独立实例：核心差异所在
  numpy.random.seed()是用来设置全局随机状态的，整个NumPy库的随机函数（比如np.random.rand()、np.random.normal()）都共用这一个全局状态。就像你在办公室公共冰箱里放了一份午餐，谁都能打开冰箱动你的东西——要是你导入的某个第三方库、同事写的模块里，不小心调用了np.random.seed()或者用了全局随机函数，直接就把你之前设置的种子给覆盖了，结果就是你自己的随机序列完全偏离预期，复现实验根本无从谈起。

  而np.random.default_rng(seed)会创建一个独立的随机生成器实例，这个实例的状态是完全私有的，和全局随机状态没有任何关联。就像你把午餐放在自己的私人储物柜里，别人碰不到，就算全局状态被改得乱七八糟，你这个生成器输出的随机序列还是严格跟着你设置的种子走，完全不受外界干扰。

• 举个实际例子对比更清楚
  先用np.random.seed()的坑场景：

  import numpy as np
  np.random.seed(42)  # 你设置的种子
  # 假设这里调用了某个第三方函数，内部偷偷执行了：np.random.seed(123)
  print(np.random.rand(1))  # 输出的是[0.69646919]，对应种子123的结果，不是你要的42！
  

  再看default_rng()的正确打开方式：

  import numpy as np
  rng = np.random.default_rng(42)  # 你的私人生成器
  # 就算第三方函数改了全局种子
  print(rng.random(1))  # 输出[0.77395605]，严格对应种子42的结果，丝毫不影响
  

• 官方推荐的背后：更科学的设计
  其实NumPy官方现在已经明确推荐使用default_rng()这类新API了，旧的numpy.random.seed()属于 legacy API。新的生成器不仅在随机数质量（比如统计特性、安全性）上更好，这种实例化的设计本身就是为了解决全局状态带来的“意外修改”“不可复现”等老问题，是NumPy团队针对实际开发中的痛点做的针对性改进。

总结一下：np.random.seed()管的是所有人共用的“公共随机池子”，谁都能改；default_rng()是给你专属的“私人随机池子”，只有你能操作，自然就不会出现种子被意外修改的情况啦。

内容来源于stack exchange