本系列是《NumPy 速通》的配套章节。
生成随机数——初始化参数、模拟数据、打乱顺序都靠它。本章核心：新接口 default_rng、种子可复现、常用分布、以及"随机打乱 vs 抽样"。
推荐用法：default_rng（NumPy 1.17+）
import numpy as np
rng = np.random.default_rng(42) # 传入种子，结果可复现
default_rng 是 NumPy 新推荐的接口（1.17+），比老的 np.random.rand() / np.random.seed() 更好：
| 老接口（不推荐） | 新接口（推荐） |
|---|---|
np.random.seed(42) 全局设置 |
rng = np.random.default_rng(42) 独立对象 |
np.random.rand(5) |
rng.random(5) |
np.random.randint(0, 10) |
rng.integers(0, 10) |
np.random.normal(0, 1) |
rng.normal(0, 1) |
💡 老接口是全局状态（影响整个程序）；新接口每个
rng是独立的随机源——多线程、多模块不互相干扰，是现代推荐写法。
常用随机函数
rng = np.random.default_rng(42)
rng.random(5) # 均匀分布 [0,1)，一维 5 个
rng.random((2, 3)) # 均匀分布，2 行 3 列
rng.normal(0, 1, 10) # 正态分布（均值 0，标准差 1）
rng.integers(0, 10, 5) # 0~9 的随机整数，5 个
rng.permutation(10) # 0~9 的随机排列
rng.uniform(0, 10, 5) # 均匀分布 [0,10)
rng.choice([1,2,3,4,5], size=3) # 从列表随机抽 3 个
rng.choice([1,2,3,4,5], size=3, replace=False) # 不重复抽样
⭐ 种子（seed）的作用：可复现性
rng1 = np.random.default_rng(42)
rng2 = np.random.default_rng(42)
rng1.random(3) # [0.37454012 0.95071431 0.73199394]
rng2.random(3) # [0.37454012 0.95071431 0.73199394] 一样！
传同样的种子 → 生成同样的序列。这保证了实验可复现：
- 机器学习训练前固定种子 → 每次跑结果一致，方便调参与对比
- 论文/实验要求可复现 → 种子是标配
⚠️ 灵魂警告：
- 不传种子 → 每次运行结果都不同（真正的"随机"），无法复现 bug
- 但不要给
default_rng传0——0是合法种子没错，但很容易和"没传"混淆。习惯用 42 等非零数- 别每次调用都新建 rng（
np.random.default_rng()每个都是独立随机源，等价于重开一个世界）
打乱数组：shuffle vs permutation
arr = np.arange(10)
rng.shuffle(arr) # 原地打乱（修改 arr 本身）
rng.permutation(arr) # 返回打乱后的副本（不改原数组）
rng.permutation(10) # 直接生成 0~9 的随机排列
区别：
shuffle：原地修改，返回 None——用完原数组就变了permutation：返回新数组，原数组不动
💡 数据洗牌实战：机器学习训练前要同时打乱特征 X 和标签 y，且顺序要一致：
idx = rng.permutation(len(X)) # 打乱索引 X = X[idx] y = y[idx]用"打乱索引"的方式，X 和 y 保持一一对应。
常见分布
rng.normal(0, 1, 1000) # 正态分布（均值 0，标准差 1）→ 最常用
rng.uniform(0, 10, 100) # 均匀分布
rng.poisson(5, 100) # 泊松分布（均值 λ=5）→ 计数数据
rng.binomial(10, 0.5, 100) # 二项分布（n 次实验，成功概率 p）
rng.exponential(1.0, 100) # 指数分布 → 等待时间
rng.gamma(2.0, 2.0, 100) # Gamma 分布
rng.lognormal(0, 1, 100) # 对数正态 → 收入、股价等右偏数据
💡 具体用哪个分布，取决于你的数据模型：
- 身高、误差、成绩 → 正态
normal- 抛硬币、通过/失败 → 二项
binomial- 每分钟到达人数、故障次数 → 泊松
poisson- 等车时间、服务时间 → 指数
exponential
实战：模拟掷骰子 / 抽样检验
# 掷 6 面骰子 10000 次，统计各面出现次数
rolls = rng.integers(1, 7, 10_000)
counts = np.bincount(rolls)[1:] # 每面出现次数
print(counts) # 大致均匀分布
# 从 100 人中随机抽 10 人（不重复）
sample = rng.choice(100, size=10, replace=False)
小结
- 一律用
np.random.default_rng(种子)创建独立随机源 - 固定种子 → 可复现（机器学习标配）
shuffle原地改；permutation返回副本- 分布按数据模型选：normal / binomial / poisson / exponential…
- 抽样用
rng.choice，支持replace=False不重复
下一章（最后一章）：线性代数基础。
上一篇：第 11 章 文件读写 ｜ 下一篇：第 13 章 线性代数基础
上一篇：第 11 章 文件读写 ｜ 下一篇：第 13 章 线性代数基础