详解Python seed()

Python中用于生成随机数的函数一般用numpy.random.rand()，它是一个用来生成0-1之间小数的函数，括号里的数字是n，它就生成一个n元向量，但是有时候在看代码的时候经常会看到numpy.random.seed()，这个是干什么用的呢？接下来我们来了解一下。

计算机中其实不存在真正意义上的随机数，我们得到的随机数其实都是根据当前系统的时钟作为初始值，然后结合一定的算法生成的，所以计算机的随机其实是伪随机。而Python中的numpy.random.seed()其实就是用来设置一个初始值，我们也称设置了一个随机数的种子。假设我们随机执行numpy.random.seed(589)，程序会把这个特殊的数字——589作为种子，生成对应的初始值，如果你不是执行numpy.random.rand(1)，而是numpy.random.rand(n)，n>1，算法会根据初始值计算出向量中的下一个值，然后下下个值会根据它的上一次值计算得出，以此类推，从而得到一个随机值向量。这个随机数算法一般采用的是线性同余：
$$X[n+1]=(a\ast X[n]+b)\mathrm{m}\mathrm{o}\mathrm{d}c$$
假设这里取$a=1,b=3,c=5$，则得到
$$X[n+1]=(X[n]+3)\mathrm{m}\mathrm{o}\mathrm{d}5$$
如果用$X[0]$作为种子，如下所示：

 1. 若种子X[0]=0，向量为0, 3, 1, 4, 2, 0, ...
 2. 若种子X[0]=1，向量为1, 4, 2, 0, 3, 1, ...
 3. 若种子X[0]=2，向量为2, 0, 3, 1, 4, 2, ...
 4. 若种子X[0]=3，向量为3, 1, 4, 2, 0, 3, ...
 ...

由此可见，当设置了相同的种子，那么初始值是一样的，而且算法又是固定的，所以生成的随机数向量就是相同的。因此，无论在何时何地，或者是在不同的计算机上，只要设置的种子是一样的，那么生成的随机数或者随机数向量肯定是一样的，我们来执行代码验证一下：

import numpy as np

np.random.rand(4)
# 结果如下：
# array([ 0.78014948,  0.15840532,  0.14821878,  0.40466582])
np.random.rand(4)
# 结果如下：
# array([ 0.09087485,  0.20738725,  0.13601299,  0.00138252])
np.random.seed(589)
np.random.rand(4)
# 结果如下：
# array([ 0.09397393,  0.14253276,  0.65864031,  0.79693907])
np.random.seed(589)
np.random.rand(4)
# 结果如下：
# array([ 0.09397393,  0.14253276,  0.65864031,  0.79693907])

可以看到，当没有设置种子时，运行np.random.rand(4)输出的结果是不一样的；而当设置了种子，np.random.rand(4)会输出相同的结果。
然而，有时候会遇到这种情况：

np.random.seed(500)
np.random.rand(4)
# 结果如下：
# array([ 0.69367953,  0.06171699,  0.6666116 ,  0.55920894])
np.random.rand(4)
# 结果如下：
# array([ 0.08511062,  0.39241906,  0.49707753,  0.33214907])

奇怪了，我明明设置了种子，为什么两次结果会不一样。注意：这里虽然设置了种子，但是种子只能生效一次，它只会影响它最近一个生成随机数的程序，对之后的不起作用，所以要想得到相同的结果，必须重新指定相同的种子：

np.random.seed(500)
np.random.rand(4)
# 结果如下：
# array([ 0.69367953,  0.06171699,  0.6666116 ,  0.55920894])
np.random.seed(500)
np.random.rand(4)
# 结果如下：
# array([ 0.69367953,  0.06171699,  0.6666116 ,  0.55920894])

可以看到，当重新指定相同的种子，得到随机数的结果是相同的。
我们再来看一种情况：

np.random.seed(10)
np.random.rand(3)
# 结果如下：
# array([ 0.77132064,  0.02075195,  0.63364823])
np.random.seed(10)
np.random.rand(4)
# 结果如下：
# array([ 0.77132064,  0.02075195,  0.63364823,  0.74880388])
np.random.seed(10)
np.random.rand(5)
# 结果如下：
# array([ 0.77132064,  0.02075195,  0.63364823,  0.74880388,  0.49850701])

可以看到，在相同的种子下，无论想要生成的随机向量长度多大，初始值和算法都是相同的，后续的数得到的结果也都是相同的，直到向量所设置的长度为止。
OK，介绍了这么多关于Python seed()的含义和用法，那么，设置这个种子有什么意义？事实上，在做课题研究的时候，如果每次生成的随机数都是不一样的，不方便你研究得出结论；而且，当你给随机数设置了种子，可以方便别人复现你的研究，检验你的分析结果。所以，设置随机数种子还是很有必要的。

本文参考下面两篇博客，并融入了自己的思考：
https://blog.csdn.net/linzch3/article/details/58220569
https://www.jianshu.com/p/38d0a44630f8