Gesättigte Python-Zufallszahlen, die nichtdeterministisches Verhalten mit Mengen zeigen

Question

Ich sehe nicht-deterministisches Verhalten beim Versuch, ein Pseudozufalls-Element aus Mengen auszuwählen, obwohl der RNG gesetzt ist (Beispielcode unten gezeigt). Warum passiert das und sollte ich erwarten, dass andere Python-Datentypen ein ähnliches Verhalten zeigen?

Hinweise: Ich habe dies nur auf Python 2.7 getestet, aber es ist auf zwei verschiedenen Windows-Computern reproduzierbar.

Ähnliche Ausgabe: Das Problem bei Python random seed not working with Genetic Programming example code kann ähnlich sein. Basierend auf meinen Tests ist meine Hypothese, dass Run-to-run-Speicherzuweisungsdifferenzen innerhalb der Sätze dazu führen, dass verschiedene Elemente für denselben RNG-Zustand aufgenommen werden.

Bis jetzt habe ich in den Python-Dokumenten für Satz oder Zufall keine Erwähnung dieser Art von Vorbehalt gefunden.

Beispiel-Code (randTest erzeugt verschiedenen Ausgang Run-to-run):

import random 

''' Class contains a large set of pseudo-random numbers. ''' 
class bigSet: 
    def __init__(self): 
     self.a = set() 
     for n in range(2000): 
      self.a.add(random.random()) 
     return 


''' Main test function. ''' 
def randTest(): 
    ''' Seed the PRNG. ''' 
    random.seed(0) 

    ''' Create sets of bigSet elements, presumably many memory allocations. ''' 
    b = set() 
    for n in range (2000): 
     b.add(bigSet()) 

    ''' Pick a random value from a random bigSet. Would have expected this to be deterministic. '''  
    c = random.sample(b,1)[0] 
    print('randVal: ' + str(random.random()))   #This value is always the same 
    print('setSample: ' + str(random.sample(c.a,1)[0])) #This value can change run-to-run 
    return 

Answer 1

Es mit Objektinstanziierung von veränderbaren Objekten zu tun hat. Wenn ich eine set von frozenset erstelle, ergibt das ein deterministisches Ergebnis;

Python 2.7.11 (default, Jan 9 2016, 15:47:04) 
[GCC 4.2.1 Compatible FreeBSD Clang 3.4.1 (tags/RELEASE_34/dot1-final 208032)] on freebsd10 
Type "help", "copyright", "credits" or "license" for more information. 
>>> import random 
>>> random.seed(0) 
>>> set(frozenset(random.random() for i in range(5)) for j in range(5)) 
set([frozenset([0.7298317482601286, 0.3101475693193326, 0.8988382879679935, 0.47214271545271336, 0.6839839319154413]), frozenset([0.5833820394550312, 0.4765969541523558, 0.4049341374504143, 0.30331272607892745, 0.7837985890347726]), frozenset([0.7558042041572239, 0.5046868558173903, 0.9081128851953352, 0.28183784439970383, 0.6183689966753316]), frozenset([0.420571580830845, 0.25891675029296335, 0.7579544029403025, 0.8444218515250481, 0.5112747213686085]), frozenset([0.9097462559682401, 0.8102172359965896, 0.9021659504395827, 0.9827854760376531, 0.25050634136244054])]) 
>>> random.seed(0) 
>>> set(frozenset(random.random() for i in range(5)) for j in range(5)) 
set([frozenset([0.7298317482601286, 0.3101475693193326, 0.8988382879679935, 0.47214271545271336, 0.6839839319154413]), frozenset([0.5833820394550312, 0.4765969541523558, 0.4049341374504143, 0.30331272607892745, 0.7837985890347726]), frozenset([0.7558042041572239, 0.5046868558173903, 0.9081128851953352, 0.28183784439970383, 0.6183689966753316]), frozenset([0.420571580830845, 0.25891675029296335, 0.7579544029403025, 0.8444218515250481, 0.5112747213686085]), frozenset([0.9097462559682401, 0.8102172359965896, 0.9021659504395827, 0.9827854760376531, 0.25050634136244054])]) 
>>> 

Wenn ich nicht alles täusche, verwendet CPython einen (änderbaren) Speicherplatz des Objekts, wie es id und als Schlüssel für Hashing ist.

So, während die Inhalt der Objekte immer gleich sein wird, ist ID wird anders sein;

In [13]: random.seed(0) 

In [14]: k = set() 

In [15]: for n in range (20): 
    k.add(bigSet()) 
    ....:  

In [16]: for x in k: 
    print(id(x)) 
    ....:  
34856629808 
34856629864 
34856631936 
34856630424 
34856629920 
34856631992 
34856630480 
34856629976 
34856632048 
34856631040 
34856630536 
4 
34856630032 
34856630592 
34856630088 
34856632160 
34856629752 
34856629696 
34856630760 
34856630256 

In [17]: random.seed(0) 

In [18]: k = set() 

In [19]: for n in range (20): 
    ....:   k.add(bigSet()) 
    ....:  

In [20]: for x in k: 
    ....:   print(id(x)) 
    ....:  
34484534800 
34856629808 
34484534856 
34856629864 
34856631936 
34856630424 
34856629920 
34856631992 
34484534968 
34856629976 
34856630480 
34856632048 
34856631040 
34484535024 
34484535080 
34484535136 
34856632216 
34484534688 
34484534912 
34484534744 

Eine mögliche Lösung wäre die Unterklasse einer eingefrorenen Menge.

Answer 2

ich ziemlich sicher bin, Sie korrekt sind, und das Problem wird durch die Run-to-run Speicherzuweisung Unterschiede verursacht für set. Wenn ich Ihr Programm geändert Listen anstelle von Sätzen zu verwenden, habe ich deterministisches Verhalten:

import random 

''' Class contains a large list of pseudo-random numbers. ''' 
class bigList: 
    def __init__(self): 
     self.a = [random.random() for n in range(2000)] 

''' Main test function. ''' 
def randTest(): 
    ''' Seed the PRNG. ''' 
    random.seed(0) 

    ''' Create lists of bigList elements, presumably many memory allocations. ''' 
    b = [bigList() for n in range(2000)] 

    ''' Pick a random value from a random bigSet. Would have expected this to be deterministic. ''' 
    c = random.sample(b, 1)[0] 
    print('randVal: ' + str(random.random())) # This value is always the same 
    # and so is this now... 
    print('setSample: ' + str(random.sample(c.a, 1)[0])) 

randTest()