一、新版写法：default_rng

rng = np.random.default_rng() 造一个随机数生成器。 然后 rng.integers(0, 10, 5) 取五个 0 到 9 的整数。 老的 np.random.rand 还能用，但官方建议统一换到 default_rng。

两者最大的区别是：生成器是一个对象，可以独立持有状态，不会互相干扰。

二、种子：可复现

np.random.default_rng(42).integers(0, 100, 5) 连跑两次，结果一模一样。 种子 42 定了，整条随机序列就定了。 报数必须交代种子。不给种子，别人复现不了你的结果，那个数就是孤证。

这不是洁癖。做随机模拟时，改一个参数结果就变，没有种子根本分不清是参数起作用还是随机波动。

三、三种常用分布

integers 的右端不包含，和 arange 一样——写 integers(0, 10) 给的是 0 到 9。 normal 的两个参数是均值和标准差，不是均值和方差。这一点常记错。 标准差 1 意味着约 68% 的数落在 -1 到 1 之间。

四、打乱与抽样

rng.permutation(A) 洗牌，返回新数组，不改原数组。 rng.choice(10, 3, replace=False) 从 10 个里抽 3 个不重复的。 replace=False 是不放回。忘了写默认有放回，可能抽到重复的。

随机分组就是先用 permutation 洗牌，再按顺序切两半。

五、随机数的四个用处

造测试数据时一定要给种子，不然每次跑出来都不一样，debug 就没法比。 没有种子的随机测试，等于每次都换一份数据在测。

六、动手 Demo：随机数组与随机种子

先看同一个生成器连取两次不一样，再看固定种子两次完全一样。 最后演示三种分布、洗牌和抽样。

import numpy as np

R = np.random.default_rng(20261102)
print("第一次 %s" % R.integers(0, 10, 5))
print("第二次 %s" % R.integers(0, 10, 5))

print("种子 42：%s" % np.random.default_rng(42).integers(0, 100, 5))
print("再来一次：%s" % np.random.default_rng(42).integers(0, 100, 5))

R = np.random.default_rng(7)
print("整数 %s" % R.integers(0, 100, 5))
print("小数 %s" % np.round(R.random(5), 3))
print("正态 %s" % np.round(R.normal(0, 1, 5), 3))

R = np.random.default_rng(3)
A = np.arange(10)
print("原数组 %s" % A)
print("洗牌后 %s" % R.permutation(A))
print("抽样   %s" % R.choice(10, 3, replace=False))

实跑输出：

--------------------------------------------------------------------
随机数组与随机种子
--------------------------------------------------------------------

  ① 新版写法：default_rng
  --------------------------------------------------------------------
  第一次：[7 6 2 4 7]
  第二次：[8 0 8 0 3]
  同一个生成器连着取，每次都不一样——这是随机的本意。
  ! np.random.default_rng 是新版推荐写法。老的 np.random.rand 还能用，但官方建议换。

  ② 种子：可复现
  --------------------------------------------------------------------
  种子 42 造两次：[ 8 77 65 43 43]
  再来一次：      [ 8 77 65 43 43]
  两次完全一样。种子固定，结果就固定。
  ! 报数必须交代种子。不给种子，别人复现不了你的结果，那个数就是孤证。

  ③ 三种常用分布
  --------------------------------------------------------------------
  整数：integers(0, 100, 5) → [94 62 68 89 57]
  小数：random(5) → [0.225 0.3   0.874 0.005 0.821]
  正态：normal(均值 0, 标准差 1, 5 个) → [-0.492 -0.62   0.49   0.357  0.105]
  integers 的右端不包含，和 arange 一样；random 给 0 到 1 之间的小数。
  ! normal 的两个参数是均值和标准差，不是均值和方差。这一点常记错。

  ④ 打乱与抽样
  --------------------------------------------------------------------
  原数组：[0 1 2 3 4 5 6 7 8 9]
  洗牌后：[9 6 0 2 1 4 7 5 3 8]
  原数组还是：[0 1 2 3 4 5 6 7 8 9]——permutation 返回新数组，不改原数组。
  从 10 个里抽 3 个不重复：[5 4 3]
  ! 抽样的 replace=False 是不放回。忘了写默认是有放回，可能抽到重复的。

  ⑤ 随机数能干什么
  --------------------------------------------------------------------

| 用途 | 怎么写 |
|---|---|
| 造测试数据 | integers 或 normal |
| 随机分组 | permutation 洗牌再切 |
| 随机抽样 | choice(replace=False) |
| 初始化权重 | normal 小标准差 |

  造测试数据时一定要给种子，不然每次跑出来都不一样，debug 就没法比。

default_rng(42) 每次都新建一个生成器，所以两次结果一样；R 是同一个生成器，所以两次不一样。 「同一个生成器连取」和「新建两个同种子生成器」结果完全不同。这是最容易混的一点。

30 秒实验

1. 把种子 42 改成 43，看五个数变成什么。
2. 把 choice 的 replace=False 去掉，连跑几次看有没有重复。
3. 想一想：为什么 A/B 测试要随机分组？不随机会怎样？

常见误区

1. 不设种子：每次跑结果不同，出了问题无法复现。
2. 以为 normal 第二个参数是方差：它是标准差，方差要开根号。
3. 抽样忘了 replace=False：抽到重复的，样本量不够。
4. 以为 permutation 改原数组：它返回新数组，原数组不动。

造数组的方式都讲完了。下一篇讲一个隐蔽的坑：asarray 和 array 差在「复不复制」。

• ☐ （本篇完，下一篇 6.5 从已有数组创建）

相关笔记

• 从数值范围创建数组
• 从已有数组创建
• 初识 NumPy：数组和列表差在哪
• 📊 Python 数据分析 · 索引