关于NumPy random.uniform的两个问题：随机种子设置与均匀性疑问

我来帮你逐个搞定这两个问题：

1. 设置随机种子实现代码复现 #

np.random.uniform本身没有直接的random_state参数，但有两种靠谱的方式实现结果复现：

• 全局随机种子：在生成随机数前调用np.random.seed(123)，后续所有np.random模块的随机操作都会基于这个种子生成：

  import numpy as np
  
  np.random.seed(123)  # 锁定全局随机状态
  random_points = np.random.uniform(0.00001, 100000, 100)
  

  注意：全局种子会影响整个脚本里所有np.random的调用，如果有其他随机操作，可能会互相干扰。

• 独立RandomState对象：更推荐这种方式，创建一个独立的随机数生成器实例，完全隔离全局状态：

  import numpy as np
  
  rng = np.random.RandomState(123)  # 创建专属随机生成器
  random_points = rng.uniform(0.00001, 100000, 100)
  

  每次用这个rng生成的随机数都会完全一致，不会影响其他代码的随机逻辑。

2. 为什么看起来不符合均匀分布？ #

问题出在你的取值范围跨度极大：从1e-5到1e5，整整10个数量级！

np.random.uniform生成的是线性空间上的均匀分布——也就是说，任意长度相等的线性区间内，样本数量大致相等。比如区间[0.00001, 20000]和[20000, 40000]长度相同，样本数应该差不多。但如果用普通的线性刻度直方图展示，大部分小数值会被挤在最左侧的柱子里，大数值的柱子则非常稀疏，视觉上就会显得“不均匀”。

验证均匀分布的实用方法： #

1. 统计等长线性区间的样本数：

   # 把总范围分成5个等长的线性区间
   bins = np.linspace(0.00001, 100000, 6)
   counts, _ = np.histogram(random_points, bins=bins)
   print(counts)  # 输出应该接近20左右（总样本100个）
   

   你会看到每个区间的样本数大致均等，这才是均匀分布的核心特征。

2. 用对数刻度可视化：
   如果想让视觉上更直观，改用对数刻度的坐标轴画直方图，这样不同数量级的区间会被均匀展示：

   import matplotlib.pyplot as plt
   
   plt.hist(random_points, bins=np.logspace(-5, 5, 11))  # 对数间距的分组
   plt.xscale('log')
   plt.xlabel('Value')
   plt.ylabel('Count')
   plt.title('Uniform Distribution (Log Scale)')
   plt.show()
   

   这时候你会发现，虽然每个柱子的样本数不同（因为线性区间长度差异极大），但这正是线性均匀分布在对数尺度下的正常表现。

简单说：你的随机数确实是均匀分布的，只是取值范围太大，普通的线性可视化方式误导了你的判断~

内容的提问来源于stack exchange，提问作者MrYouMath