Python random.seed() 和 numpy.random.seed() 實現是否彼此不同？

Question

在實現 CLT（中心極限定理）時，我正在試驗數據分布的差異，比較兩種方法：一種使用純 Python，另一種使用 Numpy。

這是我的代碼：

from numpy.random import seed
from numpy.random import randint
from numpy import mean
import matplotlib.pyplot as plt
import random

# [With Numpy]
#
# Generate 1000 samples of 50 men, from 60 to 90 Kilos and calculate the mean
# of each sample, at once.
seed(1)
means = [mean(randint(60, 90, 50)) for _i in range(1000)]

# [Without Numpy]
#
# Generate 1000 samples of 50 men, from 60 to 90 Kilos.
# Calculate the mean of each sample, storing on a separated list.
random.seed(1)
samples = list()
for i in range(0, 1000):
    samples.append([random.randint(60, 90) for n in range(50)])
means_without_numpy = [sum(s) / len(s) for s in samples]

# Plot distributions of sample means, side by side.
plt.subplot(1, 2, 1)
plt.title("Numpy")
plt.hist(means)
plt.subplot(1, 2, 2)
plt.title("Pure Python")
plt.hist(means_without_numpy)
plt.show()

print(f"The mean of means:                 {mean(means)}")
print(f"The mean of means (without numpy): {mean(means_without_numpy)}")   

此代碼在關閉它們后生成以下直方圖和一條消息：

$ python3 clt_comparisson.py 
The mean of means:                74.54001999999998
The mean of means (without numpy): 74.94394

我的問題是：

1. 分布（來自隨機數據集的平均值）是否受每個模塊（ random和numpy ）提供隨機數據的方式的影響？
2. 如果第一個問題是真的：既然我提供1作為種子，它們是否應該生成相同的隨機數據集，因為它們具有相同的種子值？

Answer 1

numpy and python's random use different algorithms, which I think is quite expected for a mathematics package written in C and fortran. 具有相同種子的相同算法將產生相同的值

>>> import random
>>> random.seed(12345678)
>>> import numpy.random
>>> numpy.random.seed(12345678)
>>> random.randint(0, 100000)
94406
>>> numpy.random.randint(0, 100000)
67251

（不一樣）

即使在很大的范圍內，兩種實現之間的分布也會略有不同，因為您不會期望它們之間的隨機性質量完全相等。 如果您在同一個程序中創建第二個數據集而不更改種子，它會有所不同，就像具有不同種子的數據集一樣。

人們不會在加密設置中提供自己的種子，但在科學方面，如果您希望 model 可重現，它會很有用。 在這種情況下，將您的代碼從numpy.random.RandState與一些眾所周知的 32 integer 結合起來，這樣您就不必擔心程序范圍內的numpy.random.seed()