多Jupyter实例下Python代码是否共享numpy.random随机源？

首先直接给你结论：完全不会！你在AWS实例上运行的36个Jupyter Notebook，每个都是独立的Python内核进程——操作系统会给每个进程分配独立的内存空间，numpy的随机状态是存储在进程专属内存里的，所以它们之间的随机源完全隔离，不会互相干扰。

为什么和多线程不一样？ #

你提到多线程会共用随机源，这是因为多线程属于同一个进程，共享同一块内存空间，numpy全局的随机状态就存在这里，所以多个线程访问的时候会抢同一个状态。但独立进程就没这个问题，每个进程的numpy.random都有自己的状态副本，各玩各的。

不用os.random的替代方案 #

既然你不想用os.random（确实要封装一堆才能生成特定分布，太麻烦），给你两个更省心的方案：

• 手动设置独立种子：可以结合进程ID来给每个进程设置唯一的种子，保证随机性的同时也方便复现。比如：

  import numpy as np
  import os
  # 用固定值+进程ID做种子，每个进程的种子都不一样
  np.random.seed(42 + os.getpid())
  

• 使用独立的随机生成器实例：numpy从1.17版本开始推荐使用Generator类来创建独立的随机生成器，完全避开全局状态的问题。每个进程里创建自己的生成器就行：

  from numpy.random import Generator, PCG64
  # 创建一个独立的生成器实例
  rng = Generator(PCG64())
  # 用这个实例生成你需要的分布，比如正态分布
  data = rng.normal(loc=0, scale=1, size=1000)
  

  这种方式比依赖全局的numpy.random更可靠，也更符合现代numpy的最佳实践。

额外提醒 #

如果以后你在同一个Notebook里用多线程跑任务（不是多进程），那确实要注意全局随机状态的问题——这时候就用上面说的Generator给每个线程分配独立的生成器，避免状态冲突。但回到你当前的场景，36个独立Notebook完全不用操心这个。

内容的提问来源于stack exchange，提问作者Trect