Numpy 随机种子对整个Jupyter Notebook有效

在使用Numpy进行随机数处理时，我们经常需要使用随机种子来控制随机数生成的过程，以保证结果的可重复性和一致性。但是，在Jupyter Notebook中使用Numpy时，如果我们不注意随机种子的设置，可能会出现一些意外的结果。本文将从以下几个方面介绍Numpy的随机种子在Jupyter Notebook中的应用和注意事项。

阅读更多：Numpy 教程

随机种子的作用和使用方法

随机种子是随机数生成算法中的一个参数，它是一个整数，用于初始化随机数生成器的状态。在Numpy中，我们可以使用numpy.random.seed()函数来设置随机种子，例如：

import numpy as np

np.random.seed(123)

这里我们将随机种子设置为123。当然，这个数值并不是固定的，你可以任意指定。需要注意的是，每次设置随机种子后，随机数生成器的状态就会被重置，并且接下来生成的随机数序列将是可预测的。

随机种子对整个Notebook的影响

在Jupyter Notebook中，如果我们多次运行随机数生成的代码，其结果可能并不一致。这是因为，每次运行时，Notebook会新建一个Python内核进程，而每个内核进程都有自己的随机数生成器状态。因此，如果我们在运行代码时没有显式地设置随机种子，那么每次生成的随机数序列将是不同的。

我们来看一个简单的例子：

import numpy as np

# 生成5个随机整数
r1 = np.random.randint(0, 10, 5)
print(r1)

# 再次生成5个随机整数
r2 = np.random.randint(0, 10, 5)
print(r2)

在第一次运行时，它的输出可能是：

[2 2 6 1 3]
[2 5 9 6 1]

而在第二次运行时，输出可能是：

[2 2 6 1 3]
[8 4 4 0 9]

我们发现，第一次和第二次生成的第一个随机数序列是一样的，但是第二个随机数序列则不同了。这是因为我们没有指定随机种子，每次运行时生成的随机数序列是不可预测的。

那么，如果我们在代码中设置了随机种子呢？

import numpy as np

# 设置随机种子为123
np.random.seed(123)

# 生成5个随机整数
r1 = np.random.randint(0, 10, 5)
print(r1)

# 再次生成5个随机整数
r2 = np.random.randint(0, 10, 5)
print(r2)

这次运行时，它的输出必定是：

[2 2 6 1 3]
[7 2 1 2 1]

我们发现，无论运行多少次，每次生成的两个随机数序列都是一样的。这就是随机种子的威力。

如何让随机种子对整个Notebook有效？

前面我们已经了解到，如果我们多次运行随机数生成的代码时没有显式地设置随机种子，那么每次生成的随机数序列将是不同的。那么，如何让随机种子对整个Notebook有效呢？

答案是：需要在Notebook的第一个cell中设置随机种子。这样，在整个Notebook的运行过程中，我们使用随机数生成的代码都会使用同一个随机种子，从而保证了结果的一致性和可重复性。

下面是一个示例：

1. 在第一个cell中设定随机种子

import numpy as np

np.random.seed(123)

2. 在第二个cell中生成随机数

r1 = np.random.randint(0, 10, 5)
print(r1)

3. 在第三个cell中再次生成随机数

r2 = np.random.randint(0, 10, 5)
print(r2)

这样，在整个Notebook运行过程中，无论你执行多少次第二个和第三个cell的代码，生成的随机数序列都是一样的。

注意事项

在使用Numpy进行随机数处理时，我们需要注意以下几点：

1. 不要将随机种子设置为系统当前时间等动态值，这样会导致每次生成的随机数序列都不同。
2. 在Notebook中，要在第一个cell中设定随机种子，而不是在随机数生成的代码所在的cell中。
3. 在设定随机种子后，要注意代码的执行顺序，确保代码在正确的随机数序列下运行。

总结

Numpy的随机种子在控制随机数生成中起到了重要的作用。在Jupyter Notebook中，如果我们要保证随机数的一致性和可重复性，需要确保随机种子对整个Notebook有效。为了实现这一点，我们需要在第一个cell中设置随机种子，并注意代码的执行顺序。