我在 Python 中有一个大脚本。我在其他人的代码中启发了自己，所以我最终将numpy.random模块用于某些事情（例如，用于创建从二项分布中获取的随机数数组），并在其他地方使用模块random.random。
有人可以告诉我两者之间的主要区别吗？查看两者的文档网页，在我看来，numpy.random只有更多的方法，但我不清楚随机数的生成有何不同。
我问的原因是因为我需要为我的主程序播种以进行调试。但是除非我在我正在导入的所有模块中使用相同的随机数生成器，否则它不起作用，这是正确的吗？
另外，我在另一篇文章中读到了关于 NOT using 的讨论numpy.random.seed()，但我真的不明白为什么这是一个坏主意。如果有人向我解释为什么会这样，我将不胜感激。
您已经做出了许多正确的观察！
除非您想为两个随机生成器播种，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，您还需要同时为它们播种，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，如果你有许多不同的执行线程，使用它是不安全的，因为如果两个不同的线程同时执行这个函数，它就不能保证工作。如果您不使用线程，并且您可以合理地预期将来不需要以这种方式重写程序，那numpy.random.seed()应该没问题。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类的本地实例numpy.random.Random会更安全。据我所知，random.random.seed()它是线程安全的（或者至少，我没有发现任何相反的证据）。
该numpy.random库包含一些科学研究中常用的额外概率分布，以及一些用于生成随机数据数组的便利函数。该random.random库更轻量级，如果您不进行科学研究或其他类型的统计工作，应该没问题。
否则，它们都使用梅森捻线器序列来生成它们的随机数，而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，就可以绝对确定地预测接下来会出现什么数字。出于这个原因， numpy.random 和 random.random 都不适合任何严重的加密用途。但是由于序列非常非常长，在您不担心有人试图对您的数据进行逆向工程的情况下，两者都可以生成随机数。这也是需要播种随机值的原因——如果你每次都从同一个地方开始，你总是会得到相同的随机数序列！
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，或者如果您使用的是 Python 3.6 之前的 Python 版本，则应该使用Crypto.Random 之类的东西。
从Python for Data Analysis开始，该模块numpy.random为 Python 补充了random一些函数，用于从多种概率分布中有效地生成整个样本值数组。
相比之下，Python 的内置random模块一次只采样一个值，而numpy.random可以更快地生成非常大的样本。使用 IPython 魔术函数%timeit可以查看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
种子的来源和使用的分布配置文件将影响输出 - 如果您正在寻找加密随机性，来自 os.urandom() 的种子将从设备抖动（即以太网或磁盘）获得几乎真实的随机字节（即 / BSD 上的开发/随机）
这将避免您提供种子并因此生成确定性随机数。然而，随机调用然后允许您将数字拟合到分布（我称之为科学随机性 - 最终您想要的只是随机数的钟形曲线分布，numpy 最擅长于此。
所以，是的，坚持使用一个发生器，但决定你想要什么随机 - 随机，但绝对来自分布曲线，或者在没有量子设备的情况下尽可能随机。