任意维度线性子空间内指定范围均匀采样随机点的实现求助

需求定义 #

• 从n维实数空间Rⁿ中过原点的p维线性子空间（n≥p）内均匀采样随机点
• 所有采样点需落在中心为原点、边长为1的超立方体中，各维度取值范围为[-0.5, 0.5]
• 方案需适配任意维度的采样场景

现有实现缺陷 #

你提供的初始实现代码如下：

def make_pd_line_in_rn(p, n, amount=1000):
   # n 是子空间所属的总空间维度
   # p 是待采样子空间的维度（如p=1对应直线，p=2对应平面等）
   # 前置假设满足 n >= p
   coeffs = np.random.rand(n, p) - 0.5
   t = np.random.rand(amount, p)-0.5
   return np.matmul(t, coeffs.T)

该实现存在两处核心错误：

1. 未对coeffs做正交化处理，生成的不是均匀随机的p维线性子空间，基向量分布存在偏置
2. 无范围约束逻辑，生成的点极易超出[-0.5, 0.5]的超立方体范围，子空间内采样分布也不满足均匀要求

修正后实现方案 #

标准实现（拒绝采样，分布绝对均匀） #

实现逻辑分为两步：首先生成均匀随机的p维子空间正交基，再通过拒绝采样约束点到超立方体范围内：

import numpy as np

def sample_p_subspace_in_hypercube(p, n, amount=1000):
    # 生成n×p正交基，对应Rⁿ中均匀随机的p维子空间
    random_matrix = np.random.randn(n, p)
    q, _ = np.linalg.qr(random_matrix)
    
    samples = []
    while len(samples) < amount:
        # 生成子空间内的随机坐标
        t = np.random.randn(p)
        point = q @ t
        # 校验是否落在超立方体内
        if np.max(np.abs(point)) <= 0.5:
            samples.append(point)
    return np.array(samples)

高效实现（缩放采样，适合高维场景） #

高维场景下拒绝采样效率过低，可以通过缩放优化，保证采样效率的同时满足分布均匀要求：

def sample_p_subspace_in_hypercube_fast(p, n, amount=1000):
    # 生成均匀随机子空间正交基
    random_matrix = np.random.randn(n, p)
    q, _ = np.linalg.qr(random_matrix)
    
    # 批量生成子空间内的点
    t = np.random.randn(amount, p)
    points = t @ q.T
    # 计算每个点的最大维度绝对值，作为缩放基准
    max_abs = np.max(np.abs(points), axis=1, keepdims=True)
    # 均匀随机缩放至超立方体范围内
    scale = np.random.rand(amount, 1) * 0.5 / max_abs
    points *= scale
    return points

效果验证 #

修正后的实现满足所有需求：

• 生成的p维子空间是Rⁿ中均匀随机的过原点线性子空间
• 所有采样点均落在[-0.5, 0.5]的超立方体范围内
• 子空间内的采样点分布均匀
  你提到的参考示例对应p=2、n=3的场景，运行上述代码即可得到三维立方体中随机平面上的均匀采样点。

内容的提问来源于stack exchange，提问作者Falafel Fedayi