在您提到的所有情况下，您生成的x轴点数量相同。
当间隔较短，为300个点时，您可以获得sin的更密集表示，即在每个局部极大值/极小值周围有足够的点来正确地绘制极值。在第一个示例中，每0.02弧度有1个x轴点。
在最后一个例子中，你仍然得到了300个点，但区间更宽。这意味着你大约有一个点每0.95弧度，有时点不会降落在极端附近，因此他们没有绘制，因此明显不同的振幅。
您可以向x轴添加更多点（使其更频繁）。
比如，900分看起来又不错：

in_array = np.linspace(0, 90*np.pi, 900)
out_array = np.sin(in_array)

plt.plot(in_array, out_array, color = 'red')
plt.title("numpy.sin()")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

输出：x1c 0d1x

假设你以固定的时间步长Δt 绘制sin ωt，tn是最接近正弦函数最大值的采样点，那么当 tmax - tn = Δt/2时，你会有最大误差，最大误差为（泰勒级数，忽略四阶项）
εmax =（ωΔt/2）2/2。
如果你想限制最大误差，例如，到0.005，你可以写 εmax =（ωΔt/2）2/2 ≤ 1/200，
求解Δt，最终得到 Δt ≤（5w）-1。
一般来说，如果 ε 是可接受的最大 * 相对 * 误差，则有
Δt ≤（8ε）1/2/ω。
确定限制 * 绝对 * 误差所需的最大时间步长作为练习。
写一写可能会很有趣
ωΔt =（8ε）1/2
因为一个循环中的点数 N 由下式给出：
N = 2π / ωΔt = 2π /（8ε）1/2
因此，求解 ε，我们有
ε = π² / 2n²
最后我们可以画出下面的图表，它证实了经验法则“每个周期使用10个点，以将误差限制在最大5%”。

作为检查

import matplotlib.pyplot as plt
import numpy as np

ω = 1
t = np.linspace(0, 0.2, 1001)

plt.figure(layout='constrained')
plt.plot(t, np.cos(ω*t), lw=0.5, color='k')
for ε in (0, 0.001, 0.002, 0.005, 0.01, 0.02):
    Δt = np.sqrt(8*ε)/ω
    plt.scatter(
        Δt/2, np.cos(ω*Δt/2),
        label=r'$ε=%0.3f, ω\,Δt=%0.3f$'%(ε, Δt))
plt.xlabel('$ωt$')
plt.ylabel('$\\cos ωt$')
plt.legend()
plt.grid()

下面来自OP的评论让我怀疑我错过了什么，所以我写了并检查了（5 '）这段代码。

从代码生成的数字来看，采样不足没有问题，但当然我可能是错的。

import matplotlib.pyplot as plt
import numpy as np

f = 0.02
w = 2*355/113*f

max_err = 0.005
w_dt = pow(8*mx_err, 1/2)
dt = w_dt/w

t0, t1 = 0, 300
t = np.linspace(t0, t1, int((t1-t0)/dt))
plt.plot(t, np.sin(w*t))
plt.show()