random.seed()：它有什么作用？答案

【问题标题】：random.seed(): What does it do?random.seed()：它有什么作用？
【发布时间】：2014-05-03 14:11:42
【问题描述】：

我对@987654321@ 在 Python 中的作用有点困惑。例如，为什么以下试验会（始终如一地）做他们所做的事情？

>>> import random
>>> random.seed(9001)
>>> random.randint(1, 10)
1
>>> random.randint(1, 10)
3
>>> random.randint(1, 10)
6
>>> random.randint(1, 10)
6
>>> random.randint(1, 10)
7

我找不到这方面的好文档。

【问题讨论】：

随机数生成并不是真正的“随机”。它是确定性的，它生成的序列由您传递给random.seed 的种子值决定。通常您只需调用random.seed()，它使用当前时间作为种子值，这意味着无论何时运行脚本，您都会得到不同的值序列。
将相同的种子传递给随机数，然后调用它会得到相同的一组数字。这是按预期工作的，如果您希望每次结果都不同，则每次启动应用程序时都必须使用不同的内容（例如 /dev/random 或 time 的输出）
种子是提供给 RNG 以生成第一个随机数的。在那之后，他们的RNG是自给自足的。因此，您不会始终看到相同的答案。如果再次运行此脚本，您将获得相同的“随机”数字序列。如果您想重现结果，设置种子会很有帮助，因为生成的所有“随机”数字总是相同的。
值得一提：这篇文章中显示的序列是在 Python 2 中。Python 3 给出了不同的序列。
@Blink 对“随机数”的使用具有误导性。 RNG 有一个自给自足的内部状态。从这个内部状态，导出 randint(1,10) 和其他调用的输出。如果 RNG 从 randint(1,10) 的输出中输入，则序列将折叠为最多 10 个序列中的 1 个，并且该序列将在最多 10 个数字后重复。

标签： python random random-seed

【解决方案1】：

一个随机数是通过对先前值的一些操作生成的。

如果没有以前的值，则当前时间自动作为以前的值。我们可以使用random.seed(x) 自己提供这个先前的值，其中x 可以是任何数字或字符串等。

因此random.random()实际上并不是完美的随机数，它可以通过random.seed(x)来预测。

import random 
random.seed(45)            #seed=45  
random.random()            #1st rand value=0.2718754143840908
0.2718754143840908  
random.random()            #2nd rand value=0.48802820785090784
0.48802820785090784  
random.seed(45)            # again reasign seed=45  
random.random()
0.2718754143840908         #matching with 1st rand value  
random.random()
0.48802820785090784        #matching with 2nd rand value

因此，生成随机数实际上并不是随机的，因为它运行在算法上。算法总是基于相同的输入给出相同的输出。这意味着，它取决于种子的价值。所以，为了让它更随机，时间自动分配给seed()。

【讨论】：

【解决方案2】：

>>> random.seed(9001)   
>>> random.randint(1, 10)  
1     
>>> random.seed(9001)     
>>> random.randint(1, 10)    
1           
>>> random.seed(9001)          
>>> random.randint(1, 10)                 
1                  
>>> random.seed(9001)         
>>> random.randint(1, 10)          
1     
>>> random.seed(9002)                
>>> random.randint(1, 10)             
3

你试试这个。

假设“random.seed”给随机值生成器（“random.randint()”）一个值，该生成器根据这个种子生成这些值。随机数的必备属性之一是它们应该是可重现的。当你放置相同的种子时，你会得到相同的随机数模式。这样，您就可以从一开始就生成它们。你给了一个不同的种子——它以不同的首字母开头（高于 3）。

给定一个种子，它将一个接一个地生成 1 到 10 之间的随机数。所以你假设一组数字对应一个种子值。

【讨论】：

【解决方案3】：

random.seed(a, version)在python中用于初始化伪随机数生成器（PRNG）。

PRNG 是一种生成近似随机数属性的数字序列的算法。 可以使用种子值复制这些随机数。因此，如果您提供种子值，PRNG 会使用种子从任意起始状态开始。

参数a 是种子值。如果a值为None，则默认使用当前系统时间。

和version 是一个整数，指定如何将a 参数转换为整数。默认值为 2。

import random
random.seed(9001)
random.randint(1, 10) #this gives output of 1
# 1

如果您想复制相同的随机数，请再次提供相同的种子

random.seed(9001)
random.randint(1, 10) # this will give the same output of 1
# 1

如果你不提供种子，那么它会生成不同的数字，而不是像以前那样为 1

random.randint(1, 10) # this gives 7 without providing seed
# 7

如果你提供与以前不同的种子，那么它会给你一个不同的随机数

random.seed(9002)
random.randint(1, 10) # this gives you 5 not 1
# 5

因此，总而言之，如果您希望复制相同的随机数，请提供种子。具体来说，相同的种子。

【讨论】：

【解决方案4】：

# Simple Python program to understand random.seed() importance

import random

random.seed(10)

for i in range(5):    
    print(random.randint(1, 100))

多次执行上述程序...

第一次尝试：打印 5 个 1 - 100 范围内的随机整数

第二次尝试：打印在上述执行中出现的相同的 5 个随机数。

第三次尝试：相同

.....等等

解释：每次运行上述程序时，我们将种子设置为 10，然后随机生成器将其作为参考变量。然后通过一些预定义的公式，生成一个随机数。

因此在下一次执行中将种子设置为 10 再次将参考编号设置为 10 并再次开始相同的行为...

一旦我们重置种子值，它就会给出相同的植物。

注意：更改种子值并运行程序，您会看到与前一个不同的随机序列。

【讨论】：

【解决方案5】：

在生成一组随机数之前设置seed(x)，并使用相同的种子生成相同的一组随机数。在重现问题时很有用。

>>> from random import *
>>> seed(20)
>>> randint(1,100)
93
>>> randint(1,100)
88
>>> randint(1,100)
99
>>> seed(20)
>>> randint(1,100)
93
>>> randint(1,100)
88
>>> randint(1,100)
99
>>>

【讨论】：

【解决方案6】：

Seed() can be used for later use ---

Example:
>>> import numpy as np
>>> np.random.seed(12)
>>> np.random.rand(4)
array([0.15416284, 0.7400497 , 0.26331502, 0.53373939])
>>>
>>>
>>> np.random.seed(10)
>>> np.random.rand(4)
array([0.77132064, 0.02075195, 0.63364823, 0.74880388])
>>>
>>>
>>> np.random.seed(12) # When you use same seed as before you will get same random output as before
>>> np.random.rand(4)
array([0.15416284, 0.7400497 , 0.26331502, 0.53373939])
>>>
>>>
>>> np.random.seed(10)
>>> np.random.rand(4)
array([0.77132064, 0.02075195, 0.63364823, 0.74880388])
>>>

【讨论】：

【解决方案7】：

这是我的理解。每次我们设置种子值时，都会生成一个“标签”或“参考”。下一次 random.function 调用附加到这个“标签”，所以下次你调用相同的种子值和 random.function 时，它会给你相同的结果。

np.random.seed( 3 )
print(np.random.randn()) # output: 1.7886284734303186

np.random.seed( 3 )
print(np.random.rand()) # different function. output: 0.5507979025745755

np.random.seed( 5 )
print(np.random.rand()) # different seed value. output: 0.22199317108973948

【讨论】：

【解决方案8】：

恕我直言，当您再次使用random.seed(samedigit) 时，它用于生成相同的随机课程结果。

In [47]: random.randint(7,10)

Out[47]: 9


In [48]: random.randint(7,10)

Out[48]: 9


In [49]: random.randint(7,10)

Out[49]: 7


In [50]: random.randint(7,10)

Out[50]: 10


In [51]: random.seed(5)


In [52]: random.randint(7,10)

Out[52]: 9


In [53]: random.seed(5)


In [54]: random.randint(7,10)

Out[54]: 9

【讨论】：

【解决方案9】：

所有其他答案似乎都不能解释 random.seed() 的使用。这是一个简单的例子（source）：

import random
random.seed( 3 )
print "Random number with seed 3 : ", random.random() #will generate a random number 
#if you want to use the same random number once again in your program
random.seed( 3 )
random.random()   # same random number as before

【讨论】：

【解决方案10】：

这里有一个小测试，证明用相同的参数提供 seed() 方法将导致相同的伪随机结果：

# testing random.seed()

import random

def equalityCheck(l):
    state=None
    x=l[0]
    for i in l:
        if i!=x:
            state=False
            break
        else:
            state=True
    return state


l=[]

for i in range(1000):
    random.seed(10)
    l.append(random.random())

print "All elements in l are equal?",equalityCheck(l)

【讨论】：

较短的相等性检查：len(set(l))<=1

【解决方案11】：

伪随机数生成器通过对一个值执行一些操作来工作。通常，此值是生成器生成的先前数字。但是，第一次使用生成器时，没有以前的值。

播种一个伪随机数生成器会为其提供第一个“先前”值。每个种子值将对应于给定随机数生成器的一系列生成值。也就是说，如果您提供两次相同的种子，您将获得两次相同的数字序列。

通常，您希望在随机数生成器中植入一些值，该值会改变程序的每次执行。例如，当前时间是一个经常使用的种子。这不会自动发生的原因是，如果你愿意，你可以提供一个特定的种子来获得一个已知的数字序列。

【讨论】：

可能值得一提的是，有时我们希望提供种子，以便在每次运行程序时生成相同的随机序列。有时，会避免软件程序中的随机性，以保持程序行为的确定性和重现问题/错误的可能性。
按照@ViFI 所说，保持程序行为确定性（使用固定种子或固定种子序列）还可以让您更好地评估对程序的某些更改是否有益。跨度>
你介意用一些现实生活场景来解释一下吗？我无法理解相同的用例。我们在其他编程语言中是否也有类似的东西？
这是一个真实的场景：stackoverflow.com/questions/5836335/…。随机种子也很常见，可以为研究创造可重复的结果。例如，如果您是一名数据科学家，并且您想使用某种使用随机性的模型（例如随机森林）发布您的结果，您需要在发布的代码中包含一个种子，以便人们可以确保您的计算是可重复的。
所以种子确实可以以我们想要的方式去随机化随机函数......？

【解决方案12】：

在这种情况下，随机实际上是伪随机。给定一个种子，它将生成分布均等的数字。但是使用相同的种子，每次都会生成相同的数列。如果你想让它改变，你就必须改变你的种子。很多人喜欢根据当前时间等生成种子。

【讨论】：