【数据处理】Numpy.random.seed()的用法
本文原址：【数据处理】Numpy.random.seed()
刚开始看到numpy.random.seed(0)这个用法看不太懂，尤其是seed（）括号里的数字总是不同时，更是懵逼。
类似的取随机数的还有这个：【数据处理】numpy.random.RandomState的用法
其实，设置seed（）里的数字就相当于设置了一个盛有随机数的“聚宝盆”，一个数字代表一个“聚宝盆”，当我们在seed（）的括号里设置相同的seed，“聚宝盆”就是一样的，那当然每次拿出的随机数就会相同（不要觉得就是从里面随机取数字，只要设置的seed相同取出地随机数就一样）。如果不设置seed，则每次会生成不同的随机数。（注：seed括号里的数值基本可以随便设置哦）
但是有时候你明明设置了seed（）没有变，但生成的随机数组还是不同，这是怎么回事呢？请看：
importnumpyasnp
np.random.seed(0)
np.random.rand(10)
Out[357]:
array([0.5488135,0.71518937,0.60276338,0.54488318,0.4236548,
0.64589411,0.43758721,0.891773,0.96366276,0.38344152])
np.random.rand(10)
Out[358]:
array([0.79172504,0.52889492,0.56804456,0.92559664,0.07103606,
0.0871293,0.0202184,0.83261985,0.77815675,0.87001215])
大家一定会奇怪，咦？为什么会不一样，我不是已经设置了seed没变么？
其实，第二遍的np.random.rand（10）已经不是在你设置的np.random.seed（0）下了，所以第二遍的随机数组只是在默认random下随机挑选的样本数值。
那我们该怎么让两次随机数组一样呢？
我们只需要再输入一遍np.random.seed（0）就好了，请看：
np.random.seed(0)
np.random.rand(4,3)
Out[362]:
array([[0.5488135,0.71518937,0.60276338],
[0.54488318,0.4236548,0.64589411],
[0.43758721,0.891773,0.96366276],
[0.38344152,0.79172504,0.52889492]])
np.random.seed(0)
np.random.rand(4,3)
Out[364]:
array([[0.5488135,0.71518937,0.60276338],
[0.54488318,0.4236548,0.64589411],
[0.43758721,0.891773,0.96366276],
[0.38344152,0.79172504,0.52889492]])
看！是不是成功了呢。
下面再给大家看个例子，以供大家更好地理解：
defrng():
foriinrange(5):
np.random.seed(123)
print(np.random.rand(4))
rng()
>>>[0.696469190.286139330.226851450.55131477]
[0.696469190.286139330.226851450.55131477]
[0.696469190.286139330.226851450.55131477]
[0.696469190.286139330.226851450.55131477]
[0.696469190.286139330.226851450.55131477]
defrng_n():
np.random.seed(123)
foriinrange(5):
print(np.random.rand(4))
rng_n()
>>>[0.696469190.286139330.226851450.55131477]
[0.719468970.423106460.98076420.68482974]
[0.48093190.392117520.343178020.72904971]
[0.438572240.05967790.398044260.73799541]
[0.182491730.175451760.531551370.53182759]
请仔细看这两个自定义函数的不同，大家现在是不是对np.random.seed（）有了更好的理解了呢？
