NumPy函数级随机数生成可复现性的最佳实践

其实你这个需求非常常见——很多时候我们不仅要整个脚本的可复现性，还希望单个函数能独立保证输出一致，哪怕在不同的上下文里调用。先给你吃个定心丸：你最初想到的创建局部Generator对象的思路，不仅不违反最佳实践，反而正是新API推荐的用法！

为什么创建局部Generator完全没问题？ #

之前可能有误解，新的NumPy随机数API（也就是np.random.default_rng这套）的设计初衷，就是鼓励按需创建独立的Generator对象，用来隔离不同场景的随机状态。最佳实践里反对的是依赖全局随机状态（比如旧API的np.random.rand那种），而不是创建多个局部生成器——相反，局部生成器的隔离性正好能避免不同函数的随机状态互相干扰，这是优点而非缺点。

两种推荐的实现方案 #

方案1：接受Generator对象作为参数（优先推荐）

这种方式最灵活，既支持用户传入自定义状态的生成器，也支持默认的随机行为。函数逻辑里只需要做简单的判空处理：

import numpy as np

def my_random_function(size, rng=None):
    # 如果没传入生成器，就创建一个默认的
    if rng is None:
        rng = np.random.default_rng()
    # 用这个生成器执行随机操作
    return rng.normal(size=size)

• 普通调用（随机结果）：my_random_function(5)
• 可复现调用：可以在外部创建一个固定种子的生成器，多次传入保证结果一致：

  # 外部创建固定状态的生成器
  fixed_rng = np.random.default_rng(42)
  # 多次调用，结果完全相同
  print(my_random_function(5, rng=fixed_rng))
  print(my_random_function(5, rng=fixed_rng))
  

  或者每次直接传入同一个种子创建的生成器（因为种子相同，初始化状态一致，输出也会一致）：

  print(my_random_function(5, rng=np.random.default_rng(42)))
  print(my_random_function(5, rng=np.random.default_rng(42)))
  

方案2：接受种子参数，内部创建生成器

如果用户更习惯直接传种子而不是Generator对象，也可以把种子作为函数参数，在函数内部初始化生成器：

import numpy as np

def my_random_function(size, seed=None):
    # 用传入的种子（或默认）创建生成器
    rng = np.random.default_rng(seed)
    return rng.normal(size=size)

• 可复现调用：每次传入同一个种子即可：

  # 两次调用结果完全一致
  print(my_random_function(5, seed=42))
  print(my_random_function(5, seed=42))
  

• 普通调用：不传seed参数就会生成随机结果。

总结 #

你完全不用纠结“创建多个临时Generator”的问题——这正是新API设计的正确打开方式。两种方案里，优先选接受Generator对象的方式，因为它更灵活：比如你需要在多个函数间共享随机状态（比如保证整个工作流的可复现性），只需要传递同一个生成器就行；如果只是需要单个函数独立的可复现性，传种子的方式更简单直接。

备注：内容来源于stack exchange，提问作者Kalo