pythonrandom种子

‘壹’ python随机种子输出几个整数

python随机种子输出10个整数。python随机种子用于指定随机数生成时所用算法开始的整数值蠢穗稿，若使用相同的seed值，则每次生成的随即数都相同，若不设置这个值，则系统根据时间来选择这族明个值，此时每次带孝生成的随机数因时间差异而不同。

‘贰’ python中在指定概率分布的情况下，为什么设定随机数种子仍影响random.choice的结果

运行结果是符合p分布的

for循环改成1000次试试，3、2、0出现的次数分别是587、299、114次，符合0.6、0.3、0.1

importnumpyasnp

i3=i2=i0=0
forseedinnp.arange(1000):
np.random.seed(seed)
n=np.random.choice(5,p=[0.1,0,0.3,0.6,0])
i3+=n==3
i2+=n==2
i0+=n==0
print(i3,i2,i0)

随机种子确实影响结果

但不是影响结果的分布情况，而是影响计算机产生随机数的情况，你运行1000次结果一定和我一样，就是因为我们的随机种子给的都是一样的。

随机种子

我们知道计算机无法产生真正的随机数，是通过算法产生的伪随机数，但具有类似于真正随机数的统计特征，如均匀性、独立性等。

随机种子的作用在于给定这个产生随机数算法的初值。给定后会影响以后产生随机数的具体值是多少，但不影响这些随机数的分布情况。

上面那个程序，如果我们不指定随机种子，那么结果符合p分布，但你与我结果不同，同一段代码多次运行结果也不同。如果指定随机种子，那么结果依然符合p分布，但全天下人运行结果都相同。

如果已知两粒种子（随机种子）和两个生长环境（产生随机数算法）都完完全全一样，那么可以得出长出的两个作物完全一样（忽略量子力学影响）。但这两粒种子无论相同与否都不会影响长出的作物到底是玉米还是高粱（不影响结果分布情况）。

‘叁’ 【Python 】性能优化系列：随机数

最近在做的项目重点部分与大量生成随机数有关，维度高达[1700000,10000]，需要生成 10 x 30 次左右，这里遇到内存和速度的双重瓶颈，特地研究了一下如何优化随机数。

优化时间测试所需的分析工具在另一篇博客《性能优化系列一：分析工具》中提到。

原生的python中也有随机模块生成 random.randint 和 random.random 等，但是速度非常慢，numpy 速度可以大幅提升。一般都采用numpy生成随机数。

比较常用的就是以上几种。在需要生成大量随机数的情况下，或生成伪随机数的情况下，python 3.7 常用 RandomState 。

直接生成大规模非稀疏矩阵如下，经常遇到 MemoryError 的错误，大概是同时生成多个float64精度的大规模随机矩阵服务器内存不够，而random state 似乎也没提供调整类型的attr，

这时最好使用即使生成即使销毁，仅保留种子作为索引，同样，多个CPU之间共享大规模矩阵涉及到共享内存或数据传输同步较慢的问题，最好也共享seed而不是直接共享矩阵。

ps. 这里注意一般我们设置time.time()为种子时，对于并发性程序是无效的，不要在并发程序中同时定义，建议生成一个seed list 列表再从中取。

这里可以对大规模矩阵进行分片以进行后续的np 乘法，再切片赋值，以时间换内存。这种情况的麻烦在于如果设定随机数种衡基子会导致每个分片的随机数相同。可以利用一个最初seed（爷爷种子）randint生成 一组切片组数的seed（父亲种子），再每次从中取不同的随机数。

在上述切片方法尝试之后，可以解决内存问题。但是时间非常慢，特别是采取s = 1时在standard normal 上调用170万次的时间长达3000s，line search一下搜索了大约100000为切片值仍然太慢。在文档中发现了 BitGenerator 和 Generator ，大约早枣可以提速到原来的 1/3。

除了Numpy和基本模块之外，AES CTR 加密算法生成随机数也很快，但咐睁谨是并不能有比较方便的方式控制每次生成的一样。参见以下reference。

tensorflow 和 pytorch 也都有大规模生成随机tensor的方式。性能待考。

1. 超快生成随机数的方式CSDN博客
2. tensorflow 生成随机tensor

‘肆’ 在Python代码中random.seed(1)什么意思

seed( ) 用于指定随机数生成时所用算法开始的整数值。

如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同，设置的seed()值仅一次有效。

在其他语言中，要在两个变量间交换值而不是用第三个变量，要么使用算术运算符，要么使用位异或（Bitwise XOR）。

(4)pythonrandom种子扩展阅读：

注意事项：

在Python里，一个表达式中的名字在它被赋值之前是没法使用的。这是有意而为的：这样能避免一些输入失误，同时也能避免默认究竟应该是什么类型的问题(0，None，[]，?)。记住把计数器初始化为0，列表初始化为[]，以此类推。

确保把顶层的，未嵌套的代码放在最左边第一列开始。这包括在模块文件中未嵌套的代码，以及在交互提示符中未嵌套的代码。Python使用缩进的办法来区分嵌套的代码段，因此在代码左边的空格意味着嵌套的代码块。除了缩进以外，空格通常是被忽略掉的。

‘伍’ python中random什么意思

Random意思是返回一个0~num-1之间的随机数。random(num)是在stdlib.h中的一个宏定义。num和函数返回值都是整型数。

如需要在一个random()序列上生成真正意义的随机数，在执行其子序列时使用randomSeed()函数预设一个绝对的随机输入，例如在一个断开引脚上的analogRead()函数的返回值。

Random的作用

Random使用之前需要使用Randomize语句进行随机数种子的初始化。RANDOM产生的是伪随机数或者说是用一种复杂的方法计算得到的序列值，因此每次运算时需要一个不同的种子值。种子值不同，得到的序列值也不同。因此也就是真正的随机数了。

RANDOM产生的是伪随机数或者说是用一种复杂的方法计算得到的序列值，因此每次运算时需要一个不同的种子值。种子值不同，得到的序列值也不同。因此也就是真正的随机数了。这也正是RANDOMIZE随机初始化的作用。 VB里用 NEW RANDOM()来表示初始化。

‘陆’ 详解随机数的生成

随机数参与的应用场景大家一定不会陌生，比如密码加盐时会在原密码上关联一串随机数，蒙特卡洛绝喊雀算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法，使用这些方法时需要导入random模块。

下面介绍下Python内置的random模块的几种生并早成随机数渗租的方法。

1、random.random()随机生成 0 到 1 之间的浮点数[0.0, 1.0)。注意的是返回的随机数可能会是 0 但不可能为 1，即左闭右开的区间。

2、random.randint(a , b)随机生成 a 与 b 之间的整数[a, b]，a<=n<=b，随机整数不包含 b 时[a, b)可以使用 random.randrange() 方法。

3、random.randrange(start,stop,step)按步长step随机在上下限范围内取一个随机数，start<=n<stop。

4、random.uniform(a, b)随机生成 a 与 b 之间的浮点数[a, b]，a<=n<=b。

5、random.choice()从列表中随机取出一个元素，比如列表、元祖、字符串等。注意的是，该方法需要参数非空，否则会抛出 IndexError 的错误。

6、random.shuffle(items) 把列表 items 中的元素随机打乱。注意的是，如果不想修改原来的列表，可以使用 模块先拷贝一份原来的列表。

7、random.sample(items, n)从列表 items 中随机取出 n 个元素。

Python 的random模块产生的随机数其实是伪随机数，依赖于特殊算法和指定不确定因素(种子seed)来实现。如randint方法生成一定范围内的随机数，会先指定一个特定的seed，将seed通过特定的随机数产生算法，得到一定范围内随机分布的随机数。因此对于同一个seed值的输入产生的随机数会相同，省略参数则意味着使用当前系统时间秒数作为种子值，达到每次运行产生的随机数都不一样。

numpy库也提供了random模块，用于生成多维度数组形式的随机数。使用时需要导入numpy库。

下面介绍下numpy库的random模块的几种生成随机数的方法。

1、numpy.random.rand(d0,d1,…,dn)

2、numpy.random.randn(d0,d1,…,dn)

3、numpy.random.randint(low, high=None, size=None, dtype=’l’)

4、numpy.random.seed()

‘柒’ Python 数据处理（二十四）—— 索引和选择

如果你想获取 'A' 列的第 0 和第 2 个元素，你可以这样做:

这也可以用 .iloc 获取，通过使用位置索引来选择内容

可以使用 .get_indexer 获取多个索引:

警告 ：

对于包含一个或多个缺失标签的列表，使用 .loc 或 [] 将不再重新索引，而是使用 .reindex

在以前的版本中，只要索引列表中存在至少一个有效标签，就可以使用 .loc[list-of-labels]

但是现在，只要索引列表中存在缺失的标签将引发 KeyError 。推荐的替代方法是使用 .reindex() 。

例如

索引列表的标签都存在

先前的版本

但是，现在

索引标签列表中包含不存在的标签，使用 reindex

另外，如果你只想选择有效的键，可以使用下面的方法，同时保留了数据的 dtype

对于 .reindex() ，如果有重复的索引将会引发异常

通常，您可以将所需的标签与当前轴做交集，然后重新索引

但是，如果你的索引结果包含重复标签，还是会引发异常

使用 sample() 方法可以从 Series 或 DataFrame 中随机选择行或列。

该方法默认会对行进行采样，并接受一个特定的行数、列数，或数据子集。

默认情况下， sample 每行最多返回一次，但也可以使用 replace 参数进行替换采样

默认情况下，每一行被选中的概率相等，但是如果你想让每一行有不同的概率，你可以为 sample 函数的 weights 参数设置抽样权值

这些权重可以是一个列表、一个 NumPy 数组或一个 Series ，但它们的长度必须与你要抽样的对象相同。

缺失的值将被视为权重为零，并且不允许使用 inf 值。如果权重之和不等于 1 ，则将所有权重除以权重之和，将其重新归一化。例如

当应用于 DataFrame 时，您可以通过简单地将列名作为字符串传递给 weights 作为采样权重（前提是您要采样的是行而不是列）。

sample 还允许用户使用 axis 参数对列进行抽样。

最后，我们还可以使用 random_state 参数为 sample 的随机数生成器设置一个种子，它将接受一个整数（作为种子）或一个 NumPy RandomState 对象

当为该轴设置一个不存在的键时， .loc/[] 操作可以执行放大

在 Series 的情况下，这实际上是一个追加操作

可以通过 .loc 在任一轴上放大 DataFrame

这就像 DataFrame 的 append 操作

由于用 [] 做索引必须处理很多情况（单标签访问、分片、布尔索引等），所以需要一些开销来搞清楚你的意图

如果你只想访问一个标量值，最快的方法是使用 at 和 iat 方法，这两个方法在所有的数据结构上都实现了

与 loc 类似， at 提供了基于标签的标量查找，而 iat 提供了基于整数的查找，与 iloc 类似

同时，你也可以根据这些索引进行设置值

如果索引标签不存在，会放大数据

另一种常见的操作是使用布尔向量来过滤数据。运算符包括：

|(or) 、 &(and) 、 ~ (not)

这些必须用括号来分组，因为默认情况下， Python 会将 df['A'] > 2 & df['B'] < 3 这样的表达式评估为 df['A'] > (2 & df['B']) < 3 ，而理想的执行顺序是 (df['A'] > 2) & (df['B'] < 3)

使用一个布尔向量来索引一个 Series ，其工作原理和 NumPy ndarray 一样。

您可以使用一个与 DataFrame 的索引长度相同的布尔向量从 DataFrame 中选择行

列表推导式和 Series 的 map 函数可用于产生更复杂的标准

我们可以使用布尔向量结合其他索引表达式，在多个轴上索引

iloc 支持两种布尔索引。如果索引器是一个布尔值 Series ，就会引发异常。

例如，在下面的例子中， df.iloc[s.values, 1] 是正确的。但是 df.iloc[s，1] 会引发 ValueError 。

‘捌’ python为何规定了种子数，每次还是能产生不同的随机半径

这是因为，每次生成随机数后，它都会自动设置新的种子。

开始，你设置了 random.seed(1) ，设由这个种子 1 产生的第一个随机数是 x，

然后 Python 会自动把现在的种子设为 x，然后你第二次生成随机数的时候，使用的种子是 x 而不是 1。

所以，如果你想每次都生成同样的半径，那只需要采取下面两个措施之一就可码拦芦以了：

1. 在 for 循环开衡让始之前先生成随机的半径，然后保存到一个变量里，使用的时候调用这个变量；（推荐）

2. 在每次调用之前都调用 random.seed(1)。即在 for 循环的循迟带环体开头处插入 random.seed(1)。

祝你刷题顺利！

‘玖’ python tf.random_uniform与np.random_uniform有什么区别

首先应该是np.random.uniform
这两个回答多少有点大病
两者虽然函数名相同，但属于不同的库，一个是TensorFlow的，一个是numpy的。
就好比你家也有冰箱我家也有冰箱一样。
tf.random.uniform的属性变量包括：
shape: 输出张量的形状巧运，比如矩阵或者向量的维度
mean: 正态分布的均值，默认为0
stddev: 正态分布的标准差，默认枣宽橡为1.0
dtype: 输出的类型，默认为tf.float32
seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称
np.random.uniform的属性变量包括：
low: 采样下界，float类型，默认值为0
high: 采样上界，float类型，默认值为1
size: 输出样本数目，为int或元组(tuple)类型
tensorflow是生成均匀分布，而numpy则是凳旁在分布中做随机采样

‘拾’ python函数深入浅出 17.random.randint()函数详解

random() 函数命名来源于英文单词random(随机)。

randint是random + integer拼接简写而成，代表随机一个整数

Python标准库中的random函数，可以生成随机浮点数、整数、字符串，甚至帮助你随机选择列逗手表序列中的一个元素，打乱一组数据等。

random.randint() 函数的例子：

用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n：a<=n<=b
a必须小于或等于b，否隐仔则报错。

其他random的方法：

无

随机数是用于生成测试入参的好办法，也常见于各种需要随机的场合。

但灶指汪是每次随机带来的不确定性也会造成某些验证功能的困难，因此可以使用random.seed()通过指定随机的种子值保证每次生成随机数是同一序列的伪随机数。观察下面的输出：

对基础运行环境有疑问的，推荐参考: python函数深入浅出 0.基础篇