Python中的random模块提供了生成随机数的函数，包括整数、浮点数和随机序列等。其背后的原理是伪随机数生成算法。

所谓的伪随机数生成器是指通过随机的种子数（即初始值），按照某种算法生成一定数量的数列，这些数列看起来随机分布并满足随机性的一种算法。这种算法并不是完全随机，因为毕竟是由计算机生成的，因此由它生成的数列总是会遵循某个特定的规律，但这个规律看起来就像真正的随机数。目前常用的伪随机数生成算法主要有线性同余发生器、梅森旋转算法等。

例如，Python中random模块的基础随机数生成器是通过一个线性同余法来实现的。其可以生成15位的随机数，其伪随机数生成的方法是：

X i + 1 X_{i+1} Xi+1​ = ( a X i + c aX_i + c aXi​+c) % m m m

其中 m = 2 32 m = 2^{32} m=232， a = 1103515245 a = 1103515245 a=1103515245， c = 12345 c = 12345 c=12345， X 0 X_0 X0​是一个种子数。当然，Python中的random模块并不是直接使用这个线性同余法，而是对其进行了各种调整，以满足更宽泛的随机性要求。

值得注意的是，由于伪随机数生成算法的特殊性质，它有可能会生成周期性的数列。也就是说，当在随机数生成器中种子的值重复出现时，其生成的随机数序列将与先前某个时刻生成的序列完全相同。为了防止这种情况发生，通常需要在生成随机数之前对种子值进行适当的处理，例如对时间戳、进程ID、PID+IP地址等进行运算来确保初始种子的唯一性。

总之，Python中的random模块使用伪随机数生成算法来生成随机序列，这些序列看起来具有随机分布和随机性。但它们并不是真正的随机，用户需要根据实际需求谨慎使用。

Python中的随机数生成是典型的伪随机数生成，而现实世界的随机数背后则是真正意义上的随机，即自然随机。

自然随机源的原理通常是基于一些不可预测或不可控因素，例如自然事件、物理现象等。例如，将物理噪声通过设备转换为数字信号，由此产生的随机数序列就是自然随机序列。通常自然随机序列生成的方法越复杂，能够产生的随机序列长度越大，随机性越高。

然而，自然随机往往不能直接用于计算机中，因此现实中很多使用随机数的场景，例如密码学、随机抽奖等，都需要计算机生成的伪随机数。这些伪随机数可以看作是使用某种随机数生成算法，将某个特定的种子数转换成所需的伪随机数序列，使其看起来拥有随机性的方法。

但是，伪随机数的随机性和可预测性都未必与自然随机数相同。在实际应用中，用户需要根据具体需求选择不同的随机数生成算法，并设置种子的唯一性，以确保生成的伪随机数足够随机。

综上所述，现实世界中的随机背后是自然随机，而计算机中的随机背后是伪随机数生成算法，二者的随机性和可预测性均不同。在使用随机数时，应该根据具体情况选择不同的随机数生成方法。