以下是我的理解。 每当我们设置一个种子值时，就会生成一个“标签”或“引用”。下一个随机。函数调用被附加到这个“标签”，所以下次你调用相同的种子值和随机。函数，会得到相同的结果。

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

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。

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)

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。

以下是我的理解。 每当我们设置一个种子值时，就会生成一个“标签”或“引用”。下一个随机。函数调用被附加到这个“标签”，所以下次你调用相同的种子值和随机。函数，会得到相同的结果。

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