随机的。python中的seed(a, version)用于初始化伪随机数生成器(PRNG)。

PRNG是一种生成近似于随机数性质的数列的算法。这些随机数可以使用种子值重新生成。因此，如果您提供种子值，PRNG将使用种子从任意的起始状态开始。

参数a是种子值。如果a值为None，则默认使用当前系统时间。

and version是一个整数，指定如何将参数a转换为整数。缺省值为2。

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

如果你想要复制相同的随机数，那么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，而不是之前的1

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

如果你提供不同的种子，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，总的来说，如果您希望复制相同的随机数，请提供种子。确切地说，是同一颗种子。

下面是一个小测试，演示了给seed()方法注入相同的参数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)

在这种情况下，随机实际上是伪随机。给定一颗种子，它将产生具有均匀分布的数字。但是使用相同的种子，它每次都会生成相同的数字序列。如果你想改变它，你就必须改变你的种子。很多人喜欢根据当前时间或其他东西来生成种子。

一个随机数是通过对前一个值进行操作而生成的。

如果没有之前的值，则当前时间将自动作为之前的值。我们可以使用random.seed(x)提供之前的值，其中x可以是任何数字或字符串等。

因此random.random()实际上不是完美随机数，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，生成随机数实际上不是随机的，因为它是通过算法运行的。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。因此，为了使它更随机，时间被自动分配给seed()。

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

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

Imho，当你再次使用random.seed(samedigit)时，它被用来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