但是不能用 random.seed 函数来完成同样的事情吗？... 与使用随机种子相比，使用哈希函数有什么优势？

当您无法将整个数据集放入内存时，采样就不那么直接了。在 DBMS 的上下文中，本文建议RAND()在编写 SQL 时使用种子可能无法重现。这是由于应用程序的多线程特性，它不能保证返回项目的顺序（除非您添加ORDER BY子句，这可能很昂贵）。这篇文章的作者通过散列每一行中的一个日期字段来解决这个问题。

另一个可能的用例是处理文件时。如果我有一个庞大的图像目录要用于训练/测试，那么使用文件名的散列可能会更容易，而不是尝试保持文件的可重现顺序。

此外，使用散列函数意味着我们不能再使用生成散列的字段（这可能对模型有用），或者它可能会在模型中插入一些未知的偏差？

计算字段的哈希与计算哈希然后覆盖原始值不同。哈希只会在其他一些内存块中计算，并用于将项目分配给训练/测试/验证集，就像生成随机数不会覆盖任何数据一样。

关于引入偏差，我在密码学网站上发现了这个问题，该网站试图解决 SHA-1 mod n 的统计特性。