Python的random内置模块产生的随机数真的随机吗？

先说结论：不止Python的random内置模块，还包括numpy的随机抽样子模块random，以及其他编程语言的随机数生成器，例如java.Math.Random()函数，所有这些随机数生成器生成的随机数都不是真正的随机数，而是伪随机数。

什么是真随机数呢？真随机数的典型特征是不可预测性。上面所说的这些随机数生成器都是在一个封闭的系统内，使用固定的算法（通常是线性同余或平方取中），通过一个种子（通常用时钟代替）生成随机数。这意味着，如果知道了种子和已经产生的随机数，就可能获得接下来随机数序列的信息，这就是伪随机数的可预测性。

下面的代码，很容易证明Python的random内置模块所生成随机数的伪随机性。

>>> import random
>>> random.seed(12345)
>>> [random.random() for i in range(3)]
[0.41661987254534116, 0.010169169457068361, 0.8252065092537432]

  

 

  
1
  
2
  
3
  
4
 

random.seed() 函数指定伪随机数生成器的初始化种子为12345，在该条件下生成的随机数序列是固定的。上面的代码显示了前3个随机数。在任意时刻，再次使用相同的种子初始化伪随机数生成器，那么接下来生成的随机数就是可预测的（已知的）。

>>> random.seed(12345)
>>> random.random()
0.41661987254534116
>>> random.random()
0.010169169457068361
>>> random.random()
0.8252065092537432

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

可见，random生成随机数的确是伪随机数。那么，如何生成真正意义上的随机数呢？在一个封闭的系统内，因为计算机硬件是确定的，代码是固定的，算法是准确的，通过这些确定的、固定的、准确的东西不会产生真正的随机数，除非引入这个封闭系统以外的因素，比如天空云朵的形状、邻居家无线网络信号的强度、海岸线形状等。

不过，要想引入封闭系统之外的随机因子并非易事。在某些计算机系统中，使用电路的热噪声来产生真随机数。这究竟是不是真正意义上的随机数，我对此持怀疑态度，因为热噪声的某些特性是可预知的，比如，芯片功耗越大，发热量越大；环境温度越高，散热效果越差。

文章来源: xufive.blog.csdn.net，作者：天元浪子，版权归原作者所有，如需转载，请联系作者。

原文链接：xufive.blog.csdn.net/article/details/114368082