sklearn.model_selection.train_test_split(random_state=42) 与 np.random.seed(42)的联系和原理详解

np.random.seed()

np.random.seed() 利用随机数种子，指定了一个随机数生成的起始位置，使得每次生成的随机数相同。

问题：

• np.random.seed()是否一直有效
• np.random.seed(Argument)的参数作用?

Code 1

import numpy as np
  
if __name__ == '__main__':
 	i = 0
 	while (i < 6):
  		if (i < 3):
   			np.random.seed(0)
   			print(np.random.randn(1, 5))
  		else:
   			print(np.random.randn(1, 5))
   			pass
  		i += 1
  
 	print("-------------------")
 	i = 0
 	while (i < 2):
 		print(np.random.randn(1, 5))
  		i += 1
 		print(np.random.randn(2, 5))
  
 	print("---------重置----------")
 	np.random.seed(0)
 	i = 0
 	while (i < 8):
  		print(np.random.randn(1, 5))

可以看出，np.random.seed()对后面的随机数一直有效。

两次利用随机数种子后，即便是跳出循环后，生成随机数的结果依然是相同的。第一次跳出while循环后，进入第二个while循环，得到的两个随机数组确实和加了随机数种子不一样。但是，后面的加了随机数种子的，八次循环中的结果和前面的结果是一样的。说明，随机数种子对后面的结果一直有影响。同时，加了随机数种子以后，后面的随机数组都是按一定的顺序生成的。

Code 2 ： 随机数种子参数的作用

import numpy as np
  
if __name__ == '__main__':
	i = 0
	np.random.seed(0)
	while (i < 3):
		print(np.random.randn(1, 5))
		i += 1
	i = 0
	print("---------------------")
	np.random.seed(1)
	i = 0
	while (i < 3):
		print(np.random.randn(1, 5))
		i += 1

当随机数种子参数为0和1时，生成的随机数结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后，其后面的随机数的生成顺序也就确定了。
所以，随机数种子的参数怎么选择？这个参数只是确定一下随机数的起始位置，可随意分配。

train_test_split

在讲解sklearn.model_selction.train_test_split之前，我们可以自己制作一个类似的函数：

import numpy as np

# 自己建的类似函数
def split_train_test(data, test_ratio, random_state=0):
	np.random.seed(random_state)
    shuffled_indices = np.random.permutation(len(data))
    test_set_size = int(len(data) * test_ratio)
    test_indices = shuffled_indices[:test_set_size]
    train_indices = shuffled_indices[test_set_size:]
    return data.iloc[train_indices], data.iloc[test_indices]

train_set, test_set = split_train_test(housing, 0.2, 42)
print(len(train_set), "train +", len(test_set), "test")

在调用 np.random.permutation() 之前，设置随机数生成器的种子(比如 np.random.seed(42) )， 以产生总是相同的洗牌指数(shuffled indices)。

Scikit-Learn 提供了一些函数，可以用多种方式将数据集分割成多个子集。最简单的函数
是 train_test_split ，它的作用和之前的函数 split_train_test 很像，并带有其它一些功能。首先，它有一个 random_state 参数，可以设定前面讲过的随机生成器种子;第二，你可以将种子传递给多个行数相同的数据集，可以在相同的索引上分割数据集(这个功能非常有用，比如你的标签值是放在另一个 DataFrame里的):

from sklearn.model_selection import train_test_split

train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

参考：

1. np.random.seed() 的使用详解
2. 《Hands-on Machine Learning with Scikit-Learn and TensorFlow》