Python中numpy.random和random.random的区别

我有一个Python的大脚本。我从别人的代码中获得了灵感，因此我最终使用了

numpy.random

模块来处理一些事情（例如，创建一个从二项分布中提取的随机数数组），在其他地方我使用了模块

random.random

有人能告诉我这两者的主要区别吗？ 在我看来，

numpy.random

只是有更多的方法，但我不清楚随机数的生成是如何不同的

我之所以问这个问题，是因为我需要为我的主程序设定种子，以便进行调试。但除非我在导入的所有模块中使用相同的随机数生成器，否则它不会工作，对吗

---

另外，我在这里的另一篇文章中读到了关于不使用

numpy.random.seed（）

的讨论，但我真的不明白为什么这是个坏主意。如果有人能告诉我为什么会这样，我将不胜感激。

你已经做了许多正确的观察

除非您想为两个随机生成器都设置种子，否则从长远来看，选择一个生成器或另一个生成器可能更简单。但是如果你确实需要同时使用这两种方法，那么是的，你也需要同时为它们设定种子，因为它们生成的随机数彼此独立

对于

numpy.random.seed（）

，主要的困难在于它不是线程安全的——也就是说，如果您有，使用它是不安全的，因为如果两个不同的线程同时执行函数，它就不能保证工作。如果您没有使用线程，并且可以合理预期将来不需要以这种方式重写程序，

numpy.random.seed（）

应该可以。如果有任何理由怀疑您将来可能需要线程，那么从长远来看，按照建议去做，并且去做会更安全。据我所知，

random.random.seed（）

是线程安全的（或者至少，我还没有找到任何相反的证据）

numpy.random

库包含一些在科学研究中常用的额外概率分布，以及两个用于生成随机数据数组的方便函数。random.random库更轻量级，如果您不从事科学研究或其他统计工作，它应该可以使用

否则，它们都使用生成它们的随机数，并且它们都是完全确定的——也就是说，如果你知道一些关键信息，就有可能绝对确定地进行预测。因此，numpy.random和random.random都不适用于任何对象。但由于序列非常长，在您不担心有人试图对数据进行反向工程的情况下，两者都可以生成随机数。这也是有必要对随机值进行种子设定的原因——如果每次都从同一个地方开始，您将始终获得相同的随机数序列

---

作为旁注，如果您确实需要加密级别的随机性，您应该使用该模块，或者如果您使用的是早于Python 3.6的Python版本。

种子源和使用的分发配置文件将影响输出-如果您正在寻找加密随机性，请从os.Uradom（）进行种子设定将从设备聊天（即以太网或磁盘）中获得几乎真实的随机字节（BSD上的ie/dev/random）

这将避免您给出一个种子，从而生成确定性随机数。然而，随机调用允许你将数字拟合到一个分布（我称之为科学随机性——最终你想要的是随机数字的钟形曲线分布，numpy最擅长研究这个

因此，是的，坚持使用一个生成器，但要确定您想要的随机数-随机数，但不依赖于分布曲线，或者在没有量子设备的情况下尽可能随机。

模块

numpy.random

补充了Python

random

的功能，用于有效地从多个变量生成整个样本值数组各种概率分布

相比之下，Python内置的

random

模块一次只对一个值进行采样，而

numpy.random

可以更快地生成非常大的样本。使用IPython magic函数

%timeit

可以看到哪个模块执行得更快：

In [1]: from random import normalvariate
In [2]: N = 1000000

In [3]: %timeit samples = [normalvariate(0, 1) for _ in xrange(N)]
1 loop, best of 3: 963 ms per loop

In [4]: %timeit np.random.normal(size=N)
10 loops, best of 3: 38.5 ms per loop

---

令我惊讶的是，

randint（a，b）

方法在

numpy.random

和

random

中都存在，但它们的上限行为不同

---

random.randint（a，b）

返回一个随机整数N，因此

a作为一个远亲音符，有时两者都不需要使用，因为Mersenne twister不能产生足够用于加密的随机熵序列（以及一些不寻常的科学）用途。在这些罕见的情况下，您通常需要，它能够使用操作系统特定的熵源来生成非确定性随机序列，其质量远远高于
random.random
单独提供的质量。不过，您通常不需要这些。谢谢Hannnele。您的见解真的非常有用！事实证明，我不能不要只使用一个随机数生成器（需要是numpy，因为随机数不会产生二项式分布），因为我的程序的一部分调用另一个使用随机数的程序。我将不得不为这两个生成器设置种子。“如果你知道现在的数字，就有可能绝对肯定地预测下一个数字。“我认为这句话可能需要澄清。意思是，如果你知道生成器的内部状态，你可以复制序列-这就是你在为生成器种子时所做的。给定生成器输出的单个数字，你不能