Question

我的问题与What is the scope of a random seed in Python?有关。对于上述问题，需要说明的是，模块Random()中有一个（隐藏的）全局random实例。

1）我想澄清的是，在一个模块中设置随机种子是否会导致它成为 other 模块中的随机种子，以及是否需要注意某些事情。

例如：给定：moduleA.py，moduleB.py

moduleA.py：

import random 
import moduleB
random.seed(my_seed)
moduleB.randomfct()

moduleB.py：

import random 
def randomfct():
    #do_things_using_random

moduleB是否也使用my_seed，还是我必须将种子传递给moduleB.py并重新设置？

2）设置随机种子/导入的顺序是否起作用？

例如在moduleA.py中：

import random 
random.seed(my_seed)
import moduleB

3）设置numpy个随机种子也是这种情况，例如np.random.seed(42)？

Answer 1

CPython random.py实现非常易读。我建议您看看：https://github.com/python/cpython/blob/3.6/Lib/random.py

无论如何，该版本的python创建一个全局random.Random()对象，并将其直接分配给random模块。该对象包含一个seed(a)方法，当您调用random.seed(a)时该方法acts as a module function。因此，种子状态会在整个程序中共享。

1）是。 moduleA和moduleB使用相同的种子。在random中导入moduleA会创建全局random.Random()对象。在moduleB中重新导入它只会为您提供相同的模块并维护最初创建的random.Random()对象。

2）否。不是您所举的示例，但总的来说，这很重要。在设置moduleB中的种子之前，您可以使用moduleA，这样就不会设置种子。

3）很难说。更复杂的代码库。也就是说，我认为它的工作方式相同。 numpy的作者确实必须 try 来使其工作方式不同于python实现中的工作方式。

通常，如果您担心种子状态，建议您创建自己的随机对象并将其传递以生成随机数。

Answer 2

因此，回答第一个问题：

moduleB是否也使用my_seed，还是我必须将种子传递给moduleB.py并重新设置？

是的，例如，运行以下命令：

ModuleA：

import moduleb
import random 
random.seed(0)
my_random()

ModuleB

import random
def my_random():
    print(random.randint(0,5))

设置种子后，它将始终打印3。一般规则是必须运行的主要python模块应调用random.seed（）函数，这将创建一个种子，该种子在所有导入的模块之间共享。仅当您从其他模块再次显式调用random.seed时，此更改才会更改。

问题2：

设置随机种子/导入的顺序是否起作用？

不，不是。除非您在设置种子之前调用random函数。

问题3：

设置numpy随机种子也是这种情况，例如np.random.seed（42）？

因此，使用np.random.seed（）带来的问题是它们不是线程安全的，这就是为什么它们的行为不同。可以在以下位置找到更多详细信息： This Stackoverflow answer

Answer 3

在jupyter笔记本中，random.seed似乎具有单元格范围。例如，需要在两个连续的单元格中都指定random.seed（1），以使用以下代码获得相同的结果：

单元格1：

np.random.seed(1)
np.random.random_sample(4)

单元2：

np.random.seed(1)
np.random.random(4)