我对random.seed()在Python中的作用有点困惑。例如，为什么下面的试验会(始终如一地)做它们所做的事情?
>>> 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
我找不到关于这方面的好的文件。
当前回答
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。
其他回答
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
# Simple Python program to understand random.seed() importance
import random
random.seed(10)
for i in range(5):
print(random.randint(1, 100))
多次执行上面的程序…
第一次尝试:输出5个范围为1 ~ 100的随机整数
第二次尝试:打印相同的5个随机数字出现在上面的执行。
第三次尝试:相同
…等等
解释:每次运行上述程序时，我们都将seed设置为10，然后随机生成器将其作为参考变量。然后用一些预定义的公式，生成一个随机数。
因此，在下次执行时将seed设置为10，再次将引用号设置为10，然后再次启动相同的行为…
只要我们重置种子值，它就会给出相同的植物。
注意:改变种子值并运行程序，你会看到一个与前一个不同的随机序列。
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
伪随机数生成器通过对值执行一些操作来工作。通常这个值是生成器生成的前一个数字。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给它第一个“前一个”值。每个种子值将对应于给定随机数生成器的生成值序列。也就是说，如果你提供相同的种子两次，你会得到相同的数字序列两次。
通常，您希望为随机数生成器设置一些值，这些值将改变程序的每次执行。例如，当前时间是一个常用的种子。这不会自动发生的原因是，如果您愿意，您可以提供一个特定的种子来获得已知的数字序列。
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])
>>>
