使用np.random.uniform生成(0,1)开区间随机数及端点逼近问题

嘿，这个问题问到点子上了——浮点数的离散特性确实会给"开区间均匀分布"带来一些容易忽略的细节，咱们一步步拆解清楚：

一、现有方法的精度边界：能接近0和1到什么程度？ #

你现在用的high=1.0 - 2**-16其实是取了一个单精度浮点数级别的阈值，但numpy默认的np.random.uniform生成的是**双精度（float64）**浮点数，这个阈值并没有用到双精度的最大精度。

要搞清楚理论上的极限，得结合float64的离散特性来看：

• 接近0的一侧：能表示的最小正双精度浮点数是np.nextafter(0.0, 1.0)，也就是2^-1022 ≈ 2.225e-308——这是数值上最接近0的正数。
• 接近1的一侧：能表示的最大小于1的双精度浮点数是np.nextafter(1.0, 0.0)，也就是1 - 2^-52 ≈ 0.9999999999999999——这是数值上最接近1但又严格小于1的数。

如果把代码改成：

import numpy as np
r = np.random.uniform(low=0.0, high=np.nextafter(1.0, 0.0), size=10)

生成的数理论上可以覆盖从接近0的最小正浮点数到接近1的最大子1浮点数之间的所有双精度值，但这里有个明显的问题：0到最小正浮点数的距离（≈2.225e-308）和1到最大子1浮点数的距离（≈2.22e-16）相差了18个数量级，完全不对称。

二、如何保证接近0和1的程度一致？ #

如果想要两边的"接近程度"对称（也就是离0的最小距离等于离1的最小距离），我们可以手动划定一个对称的区间[ε, 1-ε)，其中ε是我们选择的最小间隔，再把生成的均匀数映射到这个区间里。

方法1：固定对称阈值（最实用） #

直接用双精度的机器epsilon（np.finfo(np.float64).eps ≈ 2.22e-16）作为ε，代码如下：

eps = np.finfo(np.float64).eps
r = np.random.uniform(low=eps, high=1.0 - eps, size=10)

这样生成的数范围是[2.22e-16, 1-2.22e-16)，离0和1的距离完全相等，完美对称，同时也用到了双精度在1附近的最小间隔精度。

方法2：利用浮点数变换实现严格开区间 #

如果你想彻底避免理论上取到边界的极小概率，还可以用np.nextafter做变换：

# 先生成[0,1)的均匀数
x = np.random.uniform(low=0.0, high=1.0, size=10)
# 把每个数变成朝向1的下一个浮点数：0会变成最小正浮点数，小于1的数会变成更接近1但仍小于1的数
r = np.nextafter(x, 1.0)

不过这种方法的对称度还是受限于浮点数本身的特性——0附近的间隔远小于1附近的间隔，所以如果追求严格对称，方法1更合适。

总结 #

• 理论上能接近0到2^-1022，接近1到1-2^-52，但两者的间隔差距极大；
• 要实现对称的接近程度，直接划定[ε,1-ε]的区间（ε选机器epsilon或你需要的精度）是最直接高效的方案。

内容的提问来源于stack exchange，提问作者edager