Python生成均匀随机数：贴合理论均值与标准差的方法及误区澄清

你的现有实现本身已经能生成贴合理论定义的均匀随机数，运行结果和理论值的差异属于样本量有限的正常统计波动：

• [0,1]区间均匀分布的理论均值为0.5，理论方差为1/12≈0.08333，理论标准差为√(1/12)≈0.28868
• 你给出的运行结果中，均值0.50167、标准差0.28804，和理论值非常接近，完全符合预期

之前的误解是混淆了方差和标准差的概念，把方差值当成了标准差的理论值，才会误以为结果不符合要求。

如果想要更高效的实现，也可以直接用numpy的随机数生成器（推荐使用较新的default_rng）：

import numpy as np

# 设置种子保证结果可复现
rng = np.random.default_rng(seed=5)
# 直接生成10000个[0,1]均匀随机数
rands = rng.uniform(0, 1, size=10000)

print(f"mean: {np.mean(rands)}")
# ddof=0计算总体标准差，和理论定义一致
print(f"std: {np.std(rands, ddof=0)}")

当你增大样本量（比如生成100万个随机数），统计结果会更贴近理论值，这是大数定律的体现。

内容的提问来源于stack exchange，提问作者OmG