我认为你需要取两倍于频率的样本。这是奈奎斯特采样定理的结果（更多信息here和这里）。简单地说，如果周期函数的频率为f/Hz，而你想完全重建周期波，你将需要至少2f点每秒才能完成。正弦函数是一个周期函数。
如果你有Hz的频率，你可以使用下面的代码片段（对你的原始代码做了轻微的修改）：

import numpy as np
import matplotlib.pyplot as plt
import math

frequency_hz = 1

total_duration = 4
multiplicator = 40  # nyquist recommends to samples at least 2*frequency in Hz per second
num_points = math.floor(total_duration * frequency_hz * multiplicator) + 1
print(num_points)
t = np.linspace(0, total_duration, num_points)
sine_t = np.sin(t * 2 * np.pi * frequency_hz)

# Only for test: to plot a line of constant amplitude
straight_line = t / t

# red for numpy.sin()
plt.plot(t, sine_t, color="red")
plt.plot(t, straight_line, color="blue")
plt.title("numpy.sin()")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

生成此图：

我建议将multiplicator更改为一个较大的数字，如20，以便始终有一个清晰的图。
我使用了floor函数，使得num_points是一个整数。+1num_points并不是真的需要。
我不确定0.02是什么单位，但我认为这段代码也可以适应那个单位！

我不知道为什么建议5ωT的点数（T是总持续时间）。这在一定程度上是有道理的，因为它与要绘制的周期数成正比。因此，如果5ωT对于ω的一个值是可以的，那么对于任何其他值都应该是可以的。这意味着每一个完整的周期，无论在任何时间间隔中有多少个周期，都是由31.416点绘制的。
这确实是足够的，看到正弦。但是.416仍然意味着每个周期不是在相同的相对横坐标上绘制的。这意味着，对你来说更重要的是，如果我正确地得到了你想要的，每个周期的最高点并不总是相同的（有时，它几乎完全在sin(π/2)=1结束。但是，下一个周期峰值由sin(π/2+2π31/31.416)和sin(π/2+2π32/31.416)表示。
在delta_T计算中使用floor部分地解决了这个问题，确保在每个周期内以整数个点结束（因此，每个周期具有相同的采样，无论好坏，因此整个正弦看起来具有恒定的幅度）
但是，floor也是你现在的问题所在。因为，对于任何足够大的频率（超过0.031，听起来并不那么大），delta_t将四舍五入为0。我想这就是为什么你添加了max(...,1)，它可以防止除以0的错误，但不是问题：你的delta_t是一个非常粗略的近似值。
如果你想每个周期有一个恒定的采样数，那么，就这样做吧。

K=8 # K=4 is the strict minimum to see 0, 1, 0, -1, repeating
# K=a factor of 4 is needed if you want two of the samples to be 1 and -1, that is to see the whole amplitude

num_points = math.ceil(K*frequency*total_duration)
# either frequency*total_duration is an integer (that is there is an 
# exact number of periods in the interval, which was the case in both of
# your examples. 300×0.02 = 6 complete periods. 300×2 = 600 of them)
# and then, floor is useless (except for typing reasons)
# or it isn't, and then, just using `math.ceil` doesn't solve the problem: 
# it isn't the correct sampling: we need to also adjust total_duration, so 
# that an exact number of kth of period is represented by `num_points`
total_duration = num_points/K/frequency

# Another important point: you need `num_points` from 0 included to
# total_duraction excluded. Or else you don't distributed evenly your points
# (total_duration is the 1st point of the next period, not the last of this one)
# Or, if you really need to include `total_duration` abscissa, then,
# you need `num_points+1` not `num_points` points
t = np.linspace(0, total_duration, num_points, False) # False meaning "excluded"
# or
t = np.linspace(0, total_duration, num_points+1, True) # True, meaning included, is the default, I explicit it here to show the difference

sine = np.sin(2*np.pi*frequency*t)
plt.plot(t, sine)
plt.show()

极简K=4, frequency=0.02结果x1c 0d1x
K=12，频率=0.02。由于K是4的因子，我们仍然看到完整的-1，1振幅，有更多的点

K=5，频率=0.02。由于K不是4的因子，因此在最高点处的采样不精确地处于π/2相位，也就是说，我们不具有完整的-1，1幅度。但至少，它总是相同的，因为每个周期正好有5个点。

K=32，频率=0.02。这是非常接近2×5π你似乎已经从另一个答案。但至少它是准确的。和4的倍数。

K=32，频率=0.017。由于在这个频率下，这不是（0，300）间隔中的确切周期数（甚至不是周期的1/32），因此我们调整该间隔，以便每个周期仍然具有确切的样本数（因此我们在这里实际上从0到301.47绘制，以便仍然能够具有每个周期K=32个样本的重复模式）