本文目录一览：
在Python代码中random.seed(1)什么意思？
seed( ) 用于指定随机数生成时所用算法开始的整数值。
如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同，设置的seed()值仅一次有效。
在其他语言中，要在两个变量间交换值而不是用第三个变量，要么使用算术运算符，要么使用位异或（Bitwise XOR）。
扩展资料：
注意事项：
在Python里，一个表达式中的名字在它被赋值之前是没法使用的。这是有意而为的：这样能避免一些输入失误，同时也能避免默认究竟应该是什么类型的问题(0，None，[]，?)。记住把计数器初始化为0，列表初始化为[]，以此类推。
确保把顶层的，未嵌套的代码放在最左边第一列开始。这包括在模块文件中未嵌套的代码，以及在交互提示符中未嵌套的代码。Python使用缩进的办法来区分嵌套的代码段，因此在代码左边的空格意味着嵌套的代码块。除了缩进以外，空格通常是被忽略掉的。
参考资料来源：百度百科-Python
参考资料来源：百度百科-random
Python 9个同学一起做游戏,每个人报一个[1,20]区间上的正整数,请写出编程？
1、如单纯取区间报数，循环列表取值即可。
2、如要实现区间随机报数，用random获取随机数（真随机数先用seed设置种子）。
3、如要实现区间随机不重复报数，用list或set存储随机值做比较。
下面代码按第三种情况写：
import random
import time
n=1
st=set()
random.seed(time.time())
while True:
num=random.randint(1,20)
if num not in st:
print("第%d位报数%d\n"%(n,num))
st.add(num)
n+=1
if n9:
break
【Python 】性能优化系列：随机数
最近在做的项目重点部分与大量生成随机数有关，维度高达[1700000,10000]，需要生成 10 x 30 次左右，这里遇到内存和速度的双重瓶颈，特地研究了一下如何优化随机数。
优化时间测试所需的分析工具在另一篇博客《性能优化系列一：分析工具》中提到。
原生的python中也有随机模块生成 random.randint 和 random.random 等，但是速度非常慢，numpy 速度可以大幅提升。一般都采用numpy生成随机数。
比较常用的就是以上几种。在需要生成大量随机数的情况下，或生成伪随机数的情况下，python 3.7 常用 RandomState 。
直接生成大规模非稀疏矩阵如下，经常遇到 MemoryError 的错误，大概是同时生成多个float64精度的大规模随机矩阵服务器内存不够，而random state 似乎也没提供调整类型的attr，
这时最好使用即使生成即使销毁，仅保留种子作为索引，同样，多个CPU之间共享大规模矩阵涉及到共享内存或数据传输同步较慢的问题，最好也共享seed而不是直接共享矩阵。
ps. 这里注意一般我们设置time.time()为种子时，对于并发性程序是无效的，不要在并发程序中同时定义，建议生成一个seed list 列表再从中取。
这里可以对大规模矩阵进行分片以进行后续的np 乘法，再切片赋值，以时间换内存。这种情况的麻烦在于如果设定随机数种子会导致每个分片的随机数相同。可以利用一个最初seed（爷爷种子）randint生成 一组切片组数的seed（父亲种子），再每次从中取不同的随机数。
在上述切片方法尝试之后，可以解决内存问题。但是时间非常慢，特别是采取s = 1时在standard normal 上调用170万次的时间长达3000s，line search一下搜索了大约100000为切片值仍然太慢。在文档中发现了 BitGenerator 和 Generator ，大约可以提速到原来的 1/3。
除了Numpy和基本模块之外，AES CTR 加密算法生成随机数也很快，但是并不能有比较方便的方式控制每次生成的一样。参见以下reference。
tensorflow 和 pytorch 也都有大规模生成随机tensor的方式。性能待考。
1. 超快生成随机数的方式CSDN博客
2. tensorflow 生成随机tensor
