设置种子，保证数据分析的可重复性

R语言与数据科学
科研工具
同一段抽样代码，运行两次却得到两组结果。这不一定是程序出错，很可能只是少了一行 set.seed()。
作者

陈琼博士

发布于

2026年8月26日

修改于

2026年9月18日

陈琼博士肿瘤登记 · 数据科学发布于 2026年8月26日 · 更新于 2026年9月18日约 2,359 字 · 预计 6 分钟阅读

同一段抽样代码，运行两次却得到两组结果。这不一定是程序出错，很可能只是少了一行 set.seed()。

先看一段可复现的输出

以本文验证的 R 4.5.2 环境运行，预期输出如代码注释所示：

set.seed(20260826)
sample(1:100, 5)
# [1] 27 67  9  8 66

set.seed(20260826)
sample(1:100, 5)
# [1] 27 67  9  8 66

这段代码在 R 4.5.2 的干净会话中已实际运行。两次抽样结果完全相同，原因并不神秘：每次抽样前，伪随机数生成器都回到了同一个起点。

同一种子从同一起点生成相同随机序列

随机种子（random seed）可以理解为伪随机序列的初始条件。它不是把分析“变得不随机”，而是让同样的算法从同一个状态出发。

同一种子 + 同一随机数生成器 + 同一调用顺序，才能得到同一段随机序列。

哪些分析步骤真的用到了随机性

不是只有 runif() 和 rnorm() 才需要种子。医学数据分析中，随机性经常藏在更熟悉的操作里：

  • 随机抽取病例做质量复核；
  • 划分训练集、验证集和测试集；
  • bootstrap、置换检验和 Monte Carlo 模拟；
  • 多重插补、随机初始值、随机搜索；
  • 随机森林、随机梯度法以及部分近似算法。

数据分析中常见的五类随机步骤

如果这些步骤没有明确种子，重新运行后的样本划分、重抽样样本或模型初始值可能会变。最终的图、表、指标甚至结论也可能跟着变。

一个实用检查是：凡是“从多个可能结果中抽一个”的步骤，都要查它如何控制 RNG。 有的函数读取 R 的全局随机状态，有的函数则提供 seed、random_state 或类似参数。

set.seed() 应该放在哪里

对一段完整的随机分析，最简单的做法是在第一次随机调用之前设置一次：

set.seed(20260826)

train_id <- sample(seq_len(nrow(dat)), size = floor(0.7 * nrow(dat)))
train <- dat[train_id, ]
test  <- dat[-train_id, ]

种子值不需要有特殊寓意。42 不比 20260826 更“随机”。真正重要的是，把整数种子写进脚本、配置文件或分析记录，不要只留在运行者的记忆里。

从设置种子到保存分析结果的正确顺序

如果只想让函数内的一小段代码使用固定种子，又不想污染函数外部的随机状态，可以用 withr::with_seed()：

draw_review_sample <- function(ids) {
  withr::with_seed(
    20260826,
    sample(ids, size = min(20, length(ids)))
  )
}

with_seed() 执行完代码后会恢复之前的随机状态。对包函数、自动化测试和可重用分析模块，这种局部作用域通常更清楚。

如果一个项目有多个随机阶段，建议在分析开始时预先写出种子计划：

seed_plan <- c(
  split = 20260826L,
  bootstrap = 20260827L
)

train_id <- withr::with_seed(
  seed_plan[["split"]],
  sample.int(nrow(dat), floor(0.7 * nrow(dat)))
)

boot_mean <- withr::with_seed(
  seed_plan[["bootstrap"]],
  mean(sample(dat$value, replace = TRUE))
)

这样，bootstrap 阶段增加一次随机调用，不会悄悄改变数据划分阶段的结果。种子列表应在看到结果之前确定，不能运行多个种子后只挑表现最好的一次。

设了种子，为什么结果还是变了

第一个常见原因是随机调用顺序变了。看这个本机实测：

set.seed(20260826)
sample(1:100, 5)
round(rnorm(3), 4)
# [1]  1.3279 -1.2577  0.7592

set.seed(20260826)
sample(1:100, 5)
runif(1)                 # 中间多一次随机调用
round(rnorm(3), 4)
# [1] 1.1737 0.3936 0.6716

中途增加一次随机调用会推进随机流

每次随机抽取都会推进 RNG 状态。即使开头的种子没变，中间多了一次 runif()，后面的 rnorm() 也会读到不同的位置。“我明明设了种子”不能代替对整条随机调用链的检查。

第二个原因是版本或算法变化。R 在 3.6.0 更改过 sample() 使用的默认抽样方法。R 官方因此提供 RNGversion()，用于在必要时采用某个旧 R 版本的默认 RNG 配置。

相同整数种子并不保证跨版本得到相同的随机序列。建议同时记录 RNGkind()、R 版本和包版本：

analysis_seed <- 20260826L
run_record <- list(
  seed = analysis_seed,
  rng_kind = RNGkind(),
  r_version = R.version.string,
  packages = as.data.frame(installed.packages()[, c("Package", "Version")])
)
dir.create("results", showWarnings = FALSE)
saveRDS(run_record, "results/run-record.rds")

需要复核历史输出时，才考虑显式使用 RNGversion()，并把这一步写进专门的复核脚本。新项目不应为了追求表面上的稳定，默认锁定旧算法。数据、代码、环境和随机状态都要一起记录。

循环、并行和机器学习的三个坑

不要在循环里每次重置同一种子

# 不推荐：每次都回到同一起点
for (i in 1:3) {
  set.seed(20260826)
  print(runif(1))
}

这样会重复产生同一个数，而不是三次可复现但相互不同的抽取。通常应把 set.seed() 放在循环外；如果每个任务必须有独立随机流，就事先生成并保存种子列表，或使用专门的 RNG stream 机制。

并行 worker 需要独立且可复现的随机流

R 的 parallel 包为 PSOCK 集群提供 clusterSetRNGStream()。把集群清理放进函数的 on.exit()，即使中途报错也能释放 worker：

parallel_draws <- function(seed, workers = 2L) {
  cl <- parallel::makeCluster(workers)
  on.exit(parallel::stopCluster(cl), add = TRUE)

  parallel::clusterSetRNGStream(cl, iseed = seed)
  parallel::parLapply(cl, seq_len(4), function(i) runif(2))
}

ans <- parallel_draws(20260826L, workers = 2L)

主随机流为并行 worker 分配独立子流

这里使用的是 L'Ecuyer-CMRG 随机流机制。但还要记录 worker 数量、任务分块和调度方式。R 官方文档特别提醒：动态负载均衡会让任务分配到哪个 worker 变得不确定，某些绑定到 worker 随机流的模拟因此不再可复现。若需要逐任务复核，应固定任务划分，或为任务显式保存独立的种子/随机流。

一个种子可以复现结果，不能证明结果稳健

随机划分后的模型表现可能对种子很敏感。如果只试几个种子，然后报告指标最好的那一个，实际上已经把种子变成了一个隐形调参项。

设置种子解决的是“能否重现这次运行”，不是“这次运行是否足够稳健”。

对结果敏感的分析，应事先定义多个种子或多次重复运行，报告性能分布、不确定性或结论是否反转，而不是挑选一次最好看的输出。

种子不是可重复性的全部

可重复分析的六层条件

要让另一个人、另一台电脑或未来的自己复核结果，至少需要保存以下信息：

需要记录的对象 为什么
输入数据及版本 数据改了，输出当然会变
完整代码与执行顺序 随机流会被每次调用推进
种子值 回到同一 RNG 初始状态
R 版本与 RNG 类型 默认算法可能跨版本变化
包版本和系统环境 实现、默认参数和底层库可能不同
并行设置 worker 数、分块和调度会影响随机流

在 R 项目中，可以用 sessionInfo() 或 sessioninfo::session_info() 记录运行环境，再用 renv 之类的工具锁定包版本。数据、代码、环境和随机状态都能对上，“可重复”才不只是一句声明。

一份可直接放进项目的检查清单

随机分析交付前的七项检查
  • 在第一个随机步骤前明确设置种子。
  • 种子写在代码或配置中，不靠手工记忆。
  • 多阶段分析预先写出种子计划，必要时使用 withr::with_seed() 隔离阶段。
  • 不在循环内每次重置同一种子。
  • 记录 RNGkind()、R 版本、包版本、系统环境和输入数据版本。
  • 并行计算使用专门 RNG stream，并记录 worker 与调度设置。
  • 保存 sessionInfo()、运行记录、输入数据版本和完整代码。
  • 如果结论可能依赖某次随机划分，用多个事先指定的种子做稳健性评估。

种子的价值，不在于让每个人都用同一个数，而在于让一次含随机性的分析可被追踪、复核和解释。

参考资料

1. R Core Team：Random Number Generation
网址：https://​stat.​ethz.​ch/​R-manual/​R-devel/​library/​base/​help/​Random.​html

2. withr：Random seed
网址：https://​withr.​r-lib.​org/​reference/​with_seed.​html

3. R Core Team：parallel 包文档
网址：https://​stat.​ethz.​ch/​R-manual/​R-devel/​library/​parallel/​html/​00Index.​html

4. Python：random — Generate pseudo-random numbers
网址：https://​docs.​python.​org/​3/​library/​random.​html

5. NumPy：Random Generator
网址：https://​numpy.​org/​doc/​stable/​reference/​random/​generator.​html

回到顶部