train_test_split将数组或矩阵拆分为随机训练和测试子集。这意味着每次运行时不指定random_state，您都会得到不同的结果，这是预期的行为。例如：

运行1：

>>> a, b = np.arange(10).reshape((5, 2)), range(5)
>>> train_test_split(a, b)
[array([[6, 7],
        [8, 9],
        [4, 5]]),
 array([[2, 3],
        [0, 1]]), [3, 4, 2], [1, 0]]

运行2

>>> train_test_split(a, b)
[array([[8, 9],
        [4, 5],
        [0, 1]]),
 array([[6, 7],
        [2, 3]]), [4, 2, 0], [3, 1]]

它改变。另一方面，如果使用random_state=some_number，则可以保证 运行1 的输出与 运行2
的输出相等，即，拆分将始终相同。实际的random_state数字是42，0，21，…无关紧要。重要的是，每次使用42时，第一次拆分时总会得到相同的输出。如果您想要可重复的结果（例如在文档中），这将很有用，这样每个人在运行示例时都可以始终看到相同的数字。实际上，我会说，random_state在测试材料时，应将设置为某个固定数字，但如果确实需要随机（而不是固定）分割，则应在生产中将其删除。

关于第二个问题，伪随机数生成器是一个生成几乎真正随机数的数字生成器。为什么它们不是真正随机的，超出了此问题的范围，可能对您而言无关紧要，您可以在此处查看更多详细信息。