Python random.seed()用法：怎么设置随机数种子

在 Python 中，通过调用内置模块的 random.seed(a) 函数可以为伪随机数生成器指定一个固定的起始值（即“随机数种子”）。只要传入的种子值相同，并且运行在相同的算法实现下，后续调用 random.random()、random.randint() 或 random.shuffle() 所产生的数据序列就会完全一致。这项机制的核心价值在于“让随机行为变得可重现”，广泛应用于算法单元测试、科学计算、机器学习实验复现以及教学演示场景。

一、为什么需要随机数种子：伪随机数生成原理

计算机本身无法在没有物理随机源（如环境噪声、辐射计数）的情况下凭空创造真正的绝对随机数。Python 标准库的 random 模块使用的是经典的梅森旋转算法（Mersenne Twister），这是一种确定性的伪随机数生成器（Pseudo-Random Number Generator, 简称 PRNG）。

PRNG 的本质是一个内部状态转移函数：它从一个初始状态出发，经过固定的数学运算推导出一个数字，并将内部状态推进到下一步。如果把这个过程比作播放一张预先刻录好的黑胶唱片，那么“随机数种子（Seed）”就相当于将唱针精确放置到指定音轨的起始标记。只要起点相同，后面播放出来的音符顺序就必然完全一致。

二、random.seed() 的函数语法与参数解析

在 Python 标准库中，random.seed() 函数签名如下：

random.seed(a=None, version=2)

该函数包含两个参数，具体含义与规则如下：

三、设置与验证随机数种子的标准步骤

正确使用 random.seed() 需要遵循清晰的调用顺序：必须在实际生成任何随机数之前设定种子。以下是完整的四个执行步骤：

代码演示：验证种子的可复现性

下面通过完整的 Python 代码验证：设置种子后连续生成 3 个随机整数，随后再次设定相同种子，观察生成的随机整数是否完全一致。

import random

# 第一轮测试：设置种子 42 并生成随机数
print("--- 第一轮测试 ---")
random.seed(42)
first_batch = [random.randint(1, 100) for _ in range(3)]
print(f"生成的随机数: {first_batch}")

# 第二轮测试：重新设置相同的种子 42
print("\n--- 第二轮测试（相同种子） ---")
random.seed(42)
second_batch = [random.randint(1, 100) for _ in range(3)]
print(f"生成的随机数: {second_batch}")

# 第三轮测试：切换不同的种子 99
print("\n--- 第三轮测试（不同种子） ---")
random.seed(99)
third_batch = [random.randint(1, 100) for _ in range(3)]
print(f"生成的随机数: {third_batch}")

示例输出：

--- 第一轮测试 ---
生成的随机数: [82, 15, 4]

--- 第二轮测试（相同种子） ---
生成的随机数: [82, 15, 4]

--- 第三轮测试（不同种子） ---
生成的随机数: [27, 43, 62]

从输出可以看到，第一轮与第二轮虽然是独立执行的循环，但由于在执行前均将种子重置为 42，最终生成的列表均为 [82, 15, 4]。而一旦将种子改为 99，输出立刻切换为另一组全新的序列。

四、种子作用域与生命周期：常见误区解析

很多初学者在使用 random.seed() 时，容易对其作用范围产生误解，最常见的错误就是“以为每次取随机数都要设一次种子”或者“在循环内部反复重设种子”。

实际上，random.seed() 修改的是 random 模块全局单例生成器的状态。一旦设定种子，后续所有对 random 方法的调用都会在这个确定的序列上依次向前消耗状态。并不是“只对紧跟着的那一行代码生效”，也不是“每个函数都需要单独初始化”。

五、实用案例：在抽样与数据打乱中复现结果

random.seed() 不仅作用于数值生成函数（如 randint、uniform），同样完全控制序列操作函数（如 shuffle 洗牌、sample 无放回抽样、choice 随机选择）。

案例：数据集划分与乱序洗牌复现

在数据处理中，经常需要对样本列表打乱顺序。为了保证他人运行代码时能得到完全相同的训练样本，必须在 shuffle 前设定种子：

import random

fruits = ["苹果", "香蕉", "橙子", "葡萄", "西瓜", "芒果"]

# 设定种子后打乱列表
random.seed(123)
shuffled_fruits_1 = fruits.copy()
random.shuffle(shuffled_fruits_1)
print(f"第一遍打乱结果: {shuffled_fruits_1}")

# 重新设定相同的种子
random.seed(123)
shuffled_fruits_2 = fruits.copy()
random.shuffle(shuffled_fruits_2)
print(f"第二遍打乱结果: {shuffled_fruits_2}")

示例输出：

第一遍打乱结果: ['葡萄', '香蕉', '芒果', '橙子', '西瓜', '苹果']
第二遍打乱结果: ['葡萄', '香蕉', '芒果', '橙子', '西瓜', '苹果']

两遍洗牌得到的元素排列完全吻合。这证明了无论是数值抽取还是数据结构重排，种子机制都具备确定性的控制力。

六、注意事项与避坑指南

在实际生产与科研环境中，使用 random.seed() 时有三项必须明确的边界条件：

1. 安全警告：严禁用于加密与敏感凭证生成

random 模块所使用的梅森旋转算法（Mersenne Twister）完全公开透明，并且具备可预测性。一旦攻击者收集到一定数量的连续随机数输出（大约 624 个 32 位整数），就可以逆向推导出内部的所有状态向量，从而预知之后生成的所有随机数。因此：

• 禁止场景：生成用户密码、重置 Token、会话 Session ID、API 密钥、电子签名随机数。
• 推荐替代：对于一切安全和鉴权相关的场景，必须使用 Python 内置的 secrets 模块（如 secrets.token_hex()），该模块直接接入操作系统底层的安全加密随机源，不可预测且不支持人为指定弱种子。

2. 多库协同：第三方科学计算库的独立性

这是数据科学初学者最容易踩中的陷阱：调用 random.seed() 只会影响 Python 自带的 random 模块，不会对第三方科学计算库产生任何效果。

• NumPy 拥有独立的随机状态，必须通过 numpy.random.seed(42) 进行设定；
• PyTorch 拥有独立的 CPU/GPU 随机引擎，必须通过 torch.manual_seed(42) 设定；
• 如果在同一个项目中混合使用了多个库，必须分别显式设置，才能确保整体计算链路完全可复现。

# 跨库联合设定种子的标准写法示例
import random
import numpy as np
import torch

GLOBAL_SEED = 42

def set_global_seed(seed=GLOBAL_SEED):
    random.seed(seed)                 # 锁定 Python 内置模块
    np.random.seed(seed)              # 锁定 NumPy 模块
    torch.manual_seed(seed)           # 锁定 PyTorch CPU
    if torch.cuda.is_available():
        torch.cuda.manual_seed_all(seed) # 锁定 PyTorch 所有 GPU

3. 多线程与并发环境

Python 的内置 random 模块是全局共享实例。在多线程环境中，多个线程同时调用 random.randint() 等方法时，虽然线程安全（由于底层 GIL 锁和内部线程锁），但各线程调用的交错顺序是不确定的。这种交错会导致每次运行虽然总状态推移数相同，但每个线程分到的具体数字发生漂移。如果需要在多线程中严格保证复现性，应为每个线程独立实例化独立的 random.Random(seed) 对象。

七、总结

设置 Python 随机数种子的操作极为直接：只需在调用任何随机函数前执行 random.seed(42) 即可。理解其背后的伪随机数生成器原理，能够帮助开发者在日常编码中规避“循环内重复设置种子”以及“误将伪随机库用于密码安全”这两大核心误区。在涉及 NumPy、PyTorch 等外部科学计算库的项目中，牢记为每个库显式设定独立种子，即可实现端到端完整计算结果的确定性复现。