经常有人问我NumPy 的 random 模块到底该怎么学。网上教程不少但大多东一榔头西一棒子看完之后还是会困惑rand和random有什么区别randint的边界到底包不包括新版推荐的default_rng又是一套什么玩法更别提shuffle和permutation这种长得像、用起来却天差地别的函数了。这篇文章我就把这些年在数据仿真、模型实验、数据预处理里使用 NumPy random 模块沉淀下来的经验一次性整理出来。不论你是刚开始接触 NumPy 的初学者还是被旧代码迁移折腾过的老手这篇内容应该都能帮你把 random 模块这块的知识拼图补完整。1. 先搞清楚NumPy random 到底解决什么问题1.1 别把 Python 内置 random 和 NumPy random 混为一谈Python 标准库自带一个random模块也能生成随机数。那为什么还要有numpy.random核心区别在于面向的数据结构完全不同。内置random是“单点式”的每次调用返回一个标量。如果你想生成 100 万个服从标准正态分布的随机数用内置模块就得写循环慢不说代码也丑。而 NumPy 的 random 模块是“向量化”的一次调用直接返回整个数组。官方文档里提到某些场景下 NumPy 的随机数生成比 Python 内置模块快一个数量级以上尤其在生成大规模数组时差距非常明显。所以判断标准很简单只要你的随机数要跟数组、矩阵、批量数据打交道或者要多次重复实验就直接选 NumPy random。Python 内置 random 更适合处理那种“每次只要一个数”的零散逻辑比如随机挑一个文件、随机睡几毫秒之类的。1.2 两代 API 并存RandomState 与 GeneratorNumPy 的 random 模块现在处于“新老交替”的状态这也是很多人踩坑的重灾区。老一代 API 形如np.random.rand()、np.random.randint()、np.random.normal()底层由一个全局的RandomState对象驱动配合np.random.seed(42)设置种子。这种写法在无数教程和开源项目里出现过优点是简单直接缺点也很明显全局状态污染。你在一段代码里调用了np.random.seed(42)会影响到整个进程里所有用到np.random的地方包括某些第三方库内部的随机逻辑。新一代 API 是np.random.default_rng()它返回一个Generator对象底层默认使用 PCG64 算法。推荐写法是这样rng np.random.default_rng(42) data rng.normal(size(3, 4))官方从 NumPy 1.17 开始引入这套接口并在文档里明确建议新代码都用Generator。核心优势是每个Generator实例是独立的设置种子只影响当前实例不会污染全局。而且 PCG64 算法在统计性质和性能上都比老一代 RandomState 底层的梅森旋转算法MT19937更好。我在实际项目里的建议是写新代码一律用default_rng这套维护老代码时再沿用老 API但要有意识地逐步迁移。1.3 计算机的“随机”其实是伪装出来的理解 random 模块绕不开一个概念——伪随机。计算机本质上是一台确定性机器没办法凭空产生真正的随机事件。所谓随机数实际上是算法根据一个初始状态推算出来的序列这个初始状态就是“种子”。关键在于只要种子固定、算法固定生成的随机数序列就完全一样。这也是为什么实验要做“可复现性”时大家都强调要固定种子。比如我训练一个模型今天跑出来的结果和明天跑出来的结果应该一致否则没法调参。因此第一步就是rng np.random.default_rng(2024)保证每次进去都是同一个起点。至于这个序列“随机性”好不好算法本身决定了统计特征。MT19937 的周期是2^19937 - 1这是一个天文数字正常业务里根本不会用完PCG64 同样拥有极长周期并且通过了更严格的统计检验。所以平时我们不用太担心随机数“重了”的问题真正要操心的是种子管理而不是随机数耗尽。2. 种子机制从全局到局部再到并行独立流2.1 全局种子np.random.seed是怎么工作的老一代 API 里设置种子靠这一行import numpy as np np.random.seed(42) print(np.random.rand(3))设置完之后每一次np.random调用都会基于同一套状态机推进。同一个进程中再次调用np.random.seed(42)随机序列会被重置到起点后面生成的数字又会和第一次完全一样。这个特性用于复现实验非常方便。但它有两个隐藏问题全局影响只要你在某个函数里调了np.random.seed整个进程后续所有np.random调用全变。假如你的数据处理模块和模型训练模块都需要随机数一个模块设置种子会把另一个模块的“随机性”也固定了可能导致两处结果产生隐蔽的相关性。并发不友好多线程或多进程场景下全局状态由所有线程共享你没法给每个线程一个独立的随机流除非自己加锁否则结果很难保证可复现。所以在团队协作或大型项目里我基本不推荐再用全局np.random.seed而是改用局部Generator。2.2 新版default_rng如何实现局部可控rng_a np.random.default_rng(42) rng_b np.random.default_rng(42) print(rng_a.random(3)) print(rng_b.random(3))两个实例传入相同的种子生成的序列一致但它们互不干扰。rng_a怎么消耗状态跟rng_b一点关系都没有。这就是局部状态的好处。default_rng的入参可以是整数、数组也可以是SeedSequence对象。不传参数时它会从操作系统熵源自动获取随机种子用于“这次运行和下次运行结果不同”的场景比如强化学习探索过程希望每次跑都有差异。我通常在项目里这样设计顶层入口固定一个主种子然后内部所有模块都显式传入由主种子派生出的子随机数生成器。这样既保证整体可复现又保留各部分相对的独立性。2.3 用SeedSequence.spawn生成并行独立随机流并行计算是种子管理最容易翻车的场景。很多人写多进程代码时图省事每个进程做np.random.default_rng(0)结果所有进程生成了完全一样的随机序列仿真结果等于白跑。正确做法是用SeedSequence来派生互不相关的子种子from numpy.random import SeedSequence, default_rng ss SeedSequence(2024) child_seeds ss.spawn(4) rngs [default_rng(s) for s in child_seeds]spawn(4)会生成 4 个统计学上相互独立的种子每个子进程用自己的rngs[i]互不重叠。这样即使所有进程并行执行随机流依然是独立的而且只要主种子固定整次实验就能完整复现。我在写蒙特卡洛模拟并行版时用的就是这个模式。3. 常用随机函数实操从基础分布到抽样打乱3.1 均匀分布rand、random_sample 与 uniform先看最基础的[0, 1)区间均匀分布老 API 里有三种写法# 老 API np.random.rand(2, 3) # 返回 shape 为 (2, 3) 的随机数组 np.random.random_sample((2, 3)) # 等价但参数必须传元组 np.random.random((2, 3)) # 等价 # 新 API rng np.random.default_rng(42) rng.random((2, 3))注意一个极其容易踩的坑rand的参数是按“维度”分开传的rand(2, 3)没问题但你要是写成rand((2, 3))它会把元组当成一个参数直接报错。而random_sample和random恰恰相反必须传元组。这种 API 的不一致是老版本历史遗留问题也是我建议新代码统一用rng.random((2, 3))的原因之一。如果需要生成任意区间的均匀分布用uniformrng.uniform(low5, high10, size(3, 3))左闭右开区间是[low, high)。这个函数在模拟排队、生成随机坐标点这类场景里非常常用。3.2 整数随机数randint 与 integers生成整数随机数老 API 是randintnp.random.randint(1, 7, size10) # 模拟掷 10 次骰子边界规则是[low, high)也就是包含 low不包含 high。比如上面这条语句生成的是 1 到 6 的整数不会出现 7。很多人第一次用会写成randint(1, 6)以为是 1 到 6实际只会出 1 到 5这里要多留个心眼。新版 API 对应方法是integersrng.integers(1, 7, size10)语义一致仍然是左闭右开。如果你只想生成[0, n)范围内的整数可以只传一个参数rng.integers(10)等价于randint(0, 10)。另外注意返回的数组元素类型默认是int64如果用在与 Python 整数混合运算的场合类型会自动转换但如果你对类型敏感建议显式指定dtype。3.3 正态分布randn 与 normal正态分布在统计模拟、机器学习权重初始化里出现频率极高。老 API 中randn生成标准正态分布N(0, 1)a np.random.randn(1000)而如果要指定均值和标准差用normalnp.random.normal(loc170, scale8, size1000) # 模拟身高分布这里有两个容易搞混的点。scale是标准差不是方差。N(170, 64)中的 64 是方差对应scale8因为标准差是方差的平方根。新版 API 里rng.normal(loc170, scale8, size1000)用法一致推荐直接使用。还有一个实用场景给数据加高斯噪声。比如对一批图像像素做数据增强时noise rng.normal(0, 0.01, sizeimage.shape) image_noisy image noise注意噪声的幅度不能超过数据本身的量级否则会摧毁原有特征。一般取标准差为数据标准差的 1% 到 5% 起步再根据实验效果微调。3.4 离散分布二项分布与泊松分布仿真场景中经常需要模拟“发生次数”类的随机变量。二项分布用binomial# 抛 10 次硬币正面朝上的次数重复 1000 次 heads rng.binomial(n10, p0.5, size1000)泊松分布用poisson# 模拟每小时到达的请求数假设平均每小时 20 个 requests rng.poisson(lam20, size1000)二项分布适合“有限次试验、每次成功概率固定”的场景比如质检抽检泊松分布适合“单位时间内事件发生次数”的场景比如网站访问量、客服电话量。这两者在仿真里是基础款建议顺手查阅一下官方文档里exponential、gamma等其他分布用到时能快速找到入口。3.5 从已有数据中抽样choicechoice是一个被低估的函数。它的作用是从数组里按指定概率抽取样本支持有放回和无放回。data np.array([10, 20, 30, 40, 50]) # 有放回抽 5 个 rng.choice(data, size5, replaceTrue) # 无放回抽 3 个 rng.choice(data, size3, replaceFalse) # 自定义概率概率之和需要接近 1 rng.choice(data, size5, replaceTrue, p[0.1, 0.2, 0.3, 0.25, 0.15])三个注意点replaceFalse时size不能超过数组长度否则会报错。p必须与a的第一个维度长度一致且所有值非负。建议先做归一化p p / p.sum()避免浮点误差导致概率之和不为 1 的尴尬。如果a是整数n表示从np.arange(n)中抽样。这在随机划分数据集索引时特别实用比如indices rng.choice(len(dataset), sizeint(len(dataset) * 0.8), replaceFalse) train_data dataset[indices]3.6 打乱数组shuffle、permutation 与 permuted打乱顺序是数据处理里的高频操作但这里藏着三个函数语义各不相同。# 1. shuffle原地打乱返回 None arr np.array([1, 2, 3, 4, 5]) rng.shuffle(arr) # 2. permutation返回打乱后的新数组原数组不变 arr np.array([1, 2, 3, 4, 5]) new_arr rng.permutation(arr) # 3. permutation 入参可以是整数等价于打乱 np.arange(n) idx rng.permutation(10)二维数组场景下shuffle默认沿第一维即“行”打乱列内的数据对应关系保持不变。如果我想把数据矩阵和标签同步打乱最稳妥的做法是打乱索引而不是分别打乱两个数组idx rng.permutation(len(X)) X_shuffled X[idx] y_shuffled y[idx]这样能保证样本和标签的一一对应关系不被破坏。新版 API 还提供了一个更精细的方法permutedarr_2d np.arange(12).reshape(3, 4) rng.permuted(arr_2d, axis1)permuted会沿着指定轴对每个切片独立打乱。比如axis1时每一行内部的元素各自乱序但行与行之间的打乱方式互不相同。这在某些特征工程场景比如需要破坏局部位置顺序中很实用。记住核心区别shuffle是整行整体动permuted是每个切片自己动。4. 实操进阶性能对比、并行独立流与综合案例4.1 不同随机数生成方式的性能对比我在本地用生成10_000_000个随机数做过一次简单对比不同 API 和写法的耗时差距非常直观生成方式示例代码相对耗时越低越快Python 内置 random 循环[random.random() for _ in range(n)]约 10xNumPy 老 APInp.random.random_sample(n)约 1xNumPy 新 Generatordefault_rng().random(n)约 1xNumPy 新 Generator 整数default_rng().integers(0, 100, n)约 1.1x结论很直接只要数据规模上了万级就别再用 Python 内置 random 加循环了。而新老两代 NumPy 接口在粗粒度对比下差别不明显但在某些分布生成上Generator会比RandomState快 20% 到 50%。更重要的是Generator 的状态隔离设计能避免很多隐蔽 bug所以性能之外我更推荐新接口。4.2 数据划分与打乱的完整套路训练模型前的数据乱序和划分几乎是每个项目都要做的事。我平时是这么写的from numpy.random import default_rng rng default_rng(42) # 样本与标签 X np.arange(1000).reshape(500, 2) y np.arange(500) # 打乱索引 idx rng.permutation(len(X)) # 划分训练集和验证集按 8:2 split int(len(X) * 0.8) train_idx, val_idx idx[:split], idx[split:] X_train, X_val X[train_idx], X[val_idx] y_train, y_val y[train_idx], y[val_idx]注意这里有个很多人会犯的错先分别对X和y调用shuffle以为两者各自乱序后还是对齐的。但两次打乱的顺序是不同的样本和标签就错位了。一定要用“先打乱索引再按索引取值”的方式。4.3 蒙特卡洛模拟一个案例看懂 random 的威力蒙特卡洛方法的核心就是用大量随机采样去逼近数学问题的解。最经典的例子是用随机点估算圆周率import numpy as np rng np.random.default_rng(42) n 1_000_000 x rng.random(n) y rng.random(n) inside (x * x y * y) 1.0 pi_estimate 4 * inside.sum() / n print(pi_estimate)原理很简单单位正方形内随机撒点落在四分之一圆内的比例近似等于圆面积与正方形面积之比也就是π/4。撒的点越多估计越准。误差大致按1 / sqrt(n)下降所以想要提高一位精度大约需要增加一百倍采样量——这是随机模拟的固有特性理解了这一点后面设计实验时就不会盲目加次数。4.4 权重初始化中的正态分布应用深度学习中权重初始化经常用到正态分布。以 He 初始化为例rng np.random.default_rng(42) fan_in 256 fan_out 128 std np.sqrt(2.0 / fan_in) W rng.normal(0, std, size(fan_in, fan_out))这里有个容易忽略的细节normal的scale参数是标准差而 He 初始化公式里计算出的std正是标准差不是方差。如果你误把方差当成标准差传入初始权重会偏大或偏小模型可能一开始就发散。这类细节在书上可能只是一句话但在实际跑实验时真的会让新手排查好几天。5. 常见问题与排查技巧实录5.1AttributeError: module numpy has no attribute random一类的报错这个报错和它的变体在社区里出现频率很高比如module numpy has no attribute float。出现这类问题的常见原因有两个你本地安装的 NumPy 版本太老API 里还没有某些属性和函数。比如default_rng是 NumPy 1.17 才开始有的如果你还在用 1.16 甚至更老当然会报错。另一个反向情况新版 NumPy 移除了部分旧别名。比如np.float、np.int、np.bool等早期别名在 NumPy 1.20 之后逐渐被移除官方建议改用 Python 内置的float、int、bool。排查思路很简单先import numpy; print(numpy.__version__)看版本再到官方文档对应版本的说明里确认 API 是否存在。如果需要可以用pip install numpy --upgrade升级到较新版本。但升级前建议先跑一下现有代码避免破坏旧逻辑。5.2ModuleNotFoundError: No module named numpy怎么处理这类报错一般跟代码本身无关纯粹是环境问题。我遇到过最典型的情况是在 Jupyter Notebook 里能import numpy但命令行脚本却报错。原因通常是 Jupyter 使用了虚拟环境而命令行用的是全局 Python两个环境里装的东西不一样。解决思路确认当前用的解释器路径which python或python -c import sys; print(sys.executable)。在对应环境里安装pip install numpy。如果是在虚拟环境里先激活虚拟环境再装不要用系统级 pip 强装。另外有些发行版的pip install numpy会默认装到某个不匹配的路径建议用python -m pip install numpy这种显式方式尽量避免pip和python指向不同解释器的问题。5.3 打乱后数据对应关系错乱这个前面提过但因为它太常见我单独放到问题清单里。表现是模型训练时 loss 震荡异常大或者评估指标忽高忽低最后发现是样本和标签没对齐。避免方法就一句话打乱索引不要打乱数据。任何需要保持同步打乱的场景都先用rng.permutation(len(data))拿到新索引再统一取值。5.4 多进程并行实验生成重复随机数我曾排查过一个分布式仿真项目多个进程各自做蒙特卡洛模拟最后所有进程的输出曲线几乎一模一样。根因就是每个进程初始化时都写了default_rng(0)。修复方式是用SeedSequence.spawn给每个进程分一个独立种子from numpy.random import SeedSequence, default_rng main_seed 2024 ss SeedSequence(main_seed) worker_seeds ss.spawn(num_workers) # 每个 worker 内 rng default_rng(worker_seeds[worker_id])这样即使后续需要复现也能通过固定main_seed还原整条随机流。这也是目前多进程随机数管理最标准的做法强烈建议记下来。5.5 新旧 API 混用导致的种子不生效还有一种隐蔽情况代码里同时用了np.random.seed(42)和default_rng()结果发现default_rng()生成的结果每次还是不一样。这是因为np.random.seed只影响全局的RandomState而default_rng()内部的Generator是独立状态。两个体系之间互不干涉所以设置全局种子不会影响新 API 的随机数。如果你想用新 API 复现实验唯一的办法是给default_rng本身传种子不要指望全局np.random.seed能一箭双雕。以上这些问题基本都来自我在真实项目里踩过的坑。尤其是“打乱索引”“并行独立流”这两个点看起来不起眼一旦出错排查代价非常大。如果你也在用 NumPy 做数据处理或仿真实验建议先把default_rng这套新 API 用熟再把种子管理做成项目里的一个固定约定后面会省掉很多隐性麻烦。