根据documentation，您可以传递loc和scale，以便在[loc, loc + scale]上进行采样。我相信你传递的参数被解释为loc和scale，因此你在[-np.pi, -np.pi + np.pi]上得到了均匀的采样，即。[-np.pi, 0]。只需将2*np.pi作为第二个参数传递即可。

import numpy as np
from scipy.stats import uniform

uni = uniform(loc=-np.pi, scale=2*np.pi)
variables = uni.rvs(20)
print(variables)

输出量：

[-2.06319644  1.04916367  3.07400506  1.03832226  1.01205737 -0.57139507
  2.80455874  3.10886192 -2.18827084 -1.49833546 -1.54547847 -3.06877181
  1.15691104  1.48957702  1.36562556  2.69624898  0.03550638 -1.92457988
 -0.32644606 -1.9145792 ]

如果你想确认一个直觉，你可以执行Kolmogorov检验：

import numpy as np
from scipy import stats

np.random.seed(1234)

X = stats.uniform(loc=-np.pi, scale=2.*np.pi)
x = X.rvs(10)

stats.kstest(x, X.cdf)

# KstestResult(statistic=0.2799758081188034, pvalue=0.34631541108571073, statistic_location=1.759139883937797, statistic_sign=-1)

我们不拒绝H0，我们可以假设样本（即使小到10）来自分布。
如果你检查你的第一个定义：

Xbad = stats.uniform(loc=-np.pi, scale=np.pi)
stats.kstest(x, Xbad.cdf)

# KstestResult(statistic=0.6, pvalue=0.0005681672000000005, statistic_location=0.7672320360752276, statistic_sign=-1)

我们可以以小于0.1%的错误风险拒绝H0。这证实了您的观察，您的配置在您期望的域上并不一致。
从统计学上证实scipy按预期工作总是令人欣慰的。