np.random.shuffle() 是原地操作，直接修改输入数组且不返回新数组；而 np.random.permutation() 返回新数组，不改变原数组，二者语义本质不同。
np.random.shuffle() 是原地操作，改完就没了
它直接修改你传入的数组，不返回新数组——这点和 random.shuffle() 一模一样，但和 np.random.permutation() 完全相反。如果你写了 shuffled_arr = np.random.shuffle(arr)，shuffled_arr 会是 None，而 arr 已被悄悄打乱。
- 必须确保输入是 NumPy 数组（
ndarray），传入 Python 列表会报TypeError: 'list' object is not callable - 对二维数组只打乱“行顺序”，每行内部不动；想打乱列？得自己索引重排，比如
arr[:, np.random.permutation(arr.shape[1])] - 不能用于只读数组（
arr.flags.writeable = False），否则抛ValueError: assignment destination is read-only
permutation() 不动原数组，适合需要保留原始顺序的场景
np.random.permutation() 返回一个新数组（或新索引），原数组纹丝不动。这是它和 shuffle() 最本质的区别——不是“要不要副本”的风格问题，而是语义级差异。
- 传入一维数组 → 返回打乱后的新数组
- 传入整数
n→ 返回0到n-1的随机排列，常用来生成洗牌索引：idx = np.random.permutation(len(x))，再用x[idx]和y[idx]同步打乱特征与标签 - 传入多维数组 → 只沿 axis=0 洗牌（同
shuffle），但依然不改原数组
同时打乱 X 和 y？别用两次 shuffle，用 permutation 索引
常见错误：分别对特征数组 X 和标签数组 y 各调一次 np.random.shuffle(X) 和 np.random.shuffle(y) —— 这俩完全独立，对应关系当场崩坏。
- 正确做法：生成一次随机索引，复用它：
idx = np.random.permutation(len(X))，然后X_shuffled = X[idx]，y_shuffled = y[idx] - 如果非要用
shuffle，只能先拼接再拆开（仅限同长度、可垂直堆叠）：data = np.column_stack([X, y])→np.random.shuffle(data)→ 再切分，但有类型转换风险（比如X是 float，y是 int，拼成 object 类型）
随机状态没设好，结果就不可复现
NumPy 的随机函数默认依赖全局随机状态，不同版本、不同平台甚至不同线程下行为可能漂移。调试模型或写测试时，这会让你怀疑人生。
- 务必显式设置种子：
np.random.default_rng(42)（推荐，NumPy 1.17+）或旧式np.random.seed(42) - 更稳妥的做法：用独立随机器实例，避免全局污染：
rng = np.random.default_rng(42)，然后用rng.shuffle(arr)或rng.permutation(...) - 注意：
np.random.shuffle()和np.random.permutation()都受当前全局状态影响，除非你传入了Generator实例
shuffle，多敲三个字符用 permutation 索引，稳得多。 
