我在Python中有一个大脚本。我从其他人的代码中获得启发，因此最终我将该numpy.random模块用于某些方面（例如，创建从二项式分布中获取的随机数数组），而在其他地方则使用该模块random.random。
有人可以告诉我两者之间的主要区别吗？在这两个文档的文档网页上，我似乎numpy.random都拥有更多的方法，但是我不清楚随机数的生成方式有何不同。
我问的原因是因为我需要为调试目的播种我的主程序。但是，除非我在要导入的所有模块中使用相同的随机数生成器，否则它将无法正常工作？
另外，我在另一篇文章中阅读了有关不使用的讨论numpy.random.seed()，但是我并不真正理解为什么这是一个糟糕的主意。如果有人向我解释为什么会这样，我将不胜感激。
Answers:
您已经做出了许多正确的观察！
除非您希望为两个随机生成器都作为种子，否则从长远来看选择一个或另一个生成器可能更简单。但是，如果您确实需要同时使用两者，那么是的，您还需要同时对两者进行播种，因为它们彼此独立地生成随机数。
对于numpy.random.seed()，主要的困难是它不是线程安全的-也就是说，如果您有许多不同的执行线程，则使用它是不安全的，因为如果两个不同的线程同时执行该函数，则不能保证它能正常工作。如果您不使用线程，并且可以合理地期望将来不需要以这种方式重写程序，那numpy.random.seed()应该很好。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，按照建议进行操作并创建numpy.random.Random该类的本地实例会更加安全。据我所知，它random.random.seed()是线程安全的（或者至少没有找到相反的证据）。
该numpy.random库包含一些科学研究中常用的额外概率分布，以及用于生成随机数据数组的几个便捷函数。该random.random库要轻巧一些，如果您不从事科学研究或其他统计工作，那应该很好。
否则，它们都使用Mersenne扭曲序列生成它们的随机数，并且它们都是完全确定性的-也就是说，如果您知道一些关键信息，则可以绝对确定地预测下一个数字。因此，numpy.random和random.random都不适合任何严重的加密用途。但是因为序列非常长，所以在您不必担心有人试图对数据进行反向工程的情况下，两者都适合生成随机数。这也是必须播种随机值的原因-如果每次都从同一位置开始，那么您将始终获得相同的随机数序列！
附带说明一下，如果您确实需要加密级别的随机性，则应该使用secrets模块，或者如果使用的是Python 3.6之前的Python版本，则应使用Crypto.Random之类的东西。
从Python的数据分析中，该模块numpy.random对Python random进行了补充，以通过多种概率分布有效地生成样本值的整个数组。
相比之下，Python的内置random模块一次只能采样一个值，而numpy.random可以更快地生成非常大的采样。使用IPython魔术函数，%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
np.random.randint(2)与random.randrange(2)和NumPy的是较慢的一个。NumPy：1.25 us，随机：891 ns。同时还为同样的关系np.random.rand()和random.random()。
种子的来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，则os.urandom（）的种子将从设备颤动（即以太网或磁盘）中获得几乎真实的随机字节（即/ BSD上的dev / random）
这样可以避免您提供种子，从而避免生成确定的随机数。但是，随机调用然后允许您将数字拟合为一个分布（我称之为科学随机性-最终，您想要的只是一个随机数的钟形曲线分布，numpy最擅长于解决这个问题。
所以，是的，坚持使用一个生成器，但要确定您想要的随机数-随机，但是会偏离分布曲线，或者在没有量子设备的情况下尽可能地随机。
random.random单独获得的随机序列高得多。不过，您通常不需要这个。