**问题：** 如何在Python中生成可重复的伪随机高斯分布数字（给定均值和标准差）？ **用户需求：** 每次运行模拟时，希望生成的随机数序列保持一致，以便排除随机性对结果的影响，专注于评估布局改进的效果。 **解决方案：** 1. **设置随机种子** 使用 `random.seed()` 或 `numpy.random.seed()` 固定随机数生成器的初始状态，确保每次运行生成相同的序列。 **示例代码：** ```python import random random.seed(42) # 固定种子 mean, std = 0, 1 values = [random.gauss(mean, std) for _ in range(10)] ``` 2. **使用NumPy增强控制** NumPy的随机模块提供更稳定的伪随机生成器，支持高斯分布且易于设置种子。 **示例代码：** ```python import numpy as np np.random.seed(42) # 固定种子 mean, std = 0, 1 values = np.random.normal(mean, std, size=10) ``` 3. **创建独立随机状态对象** 为避免全局种子被其他代码干扰，可创建独立的随机生成器实例。 **示例代码：** ```python import numpy as np rng = np.random.RandomState(seed=42) # 独立生成器 values = rng.normal(mean, std, size=10) ``` 4. **进阶：使用PCG64等现代算法** 如需更高质量的伪随机序列，可指定算法（如NumPy的`Generator`配合PCG64）。 **示例代码：** ```python from numpy.random import Generator, PCG64 rng = Generator(PCG64(seed=42)) values = rng.normal(mean, std, size=10) ``` **注意事项：** - 确保所有随机数生成操作前已设置种子。 - 避免在生成序列过程中调用其他随机函数，以免影响序列一致性。 - 若需保存数据备用，可导出为CSV或NPY格式，但固定种子后无需额外存储。 **总结：** 通过设置随机种子，可便捷实现可重复的伪随机高斯数生成，无需依赖外部文件存储，既简化流程又确保模拟结果的可比性。

Python Programming
1

Hi all,

I would like to generate random numbers based on gaussian distribution (mean + standard deviation) with python:

image
image467×117 3.24 KB

I noticed however that random.gauss is not pseudo random.
But I would like to keep these values constant every time I run the simulation to be able to see the effect of improvements on the lay-out (ruling out potential effects from the change of values)

I could generate them once, save them to excel, and read them every next simulation run but that seems like a bit of an overkill.
Does anyone know another way of doing this?

2

You are supposed to use distribution properties, but unfortunately their underlying random stream reset behavior is also bit unpredictable, and anything “pulling” a new value from the property will advance the stream.

3

Hi Tsy,

感谢您的回复！所以您的意思是，如果不把值保存在某个地方并重新调用它们，就无法实现这个功能？

4

其实您可以使用Python的random模块，只需要定义种子并确保调用次数相同等等。

1 个赞
5

啊，这太棒了，我成功让它运行起来了，谢谢！