为何Python内置sum与numpy.sum对numpy数组求和结果不同？numpy.sum如何实现？

测试场景与结果 #

测试代码如下：

import numpy as np

test = [.1]*10
test = [np.float64(x) for x in test]
test[5]= np.float64(-.9)

d = [np.asarray(test) for x in range(0,60000)]

两种求和方式的输出差异：

• 调用Python内置sum(sum(d))的结果：np.float64(-1.7473212210461497e-08)
• 调用np.sum(d)的结果：np.float64(9.987344284922983e-12)

结果差异的核心原因 #

两者结果不同的本质是求和算法的差异，结合浮点数本身的精度特性，导致误差累积程度不同：

• Python内置sum的顺序累加逻辑
  Python的sum采用简单的顺序累加方式：先逐个累加每个子数组的元素得到子数组的和，再逐个累加所有子数组的结果。由于0.1无法用二进制浮点数精确表示，单个子数组的求和结果就存在微小舍入误差，60000次累加后，误差会被不断放大，最终呈现出较大的偏差。

• numpy.sum的精度优化累加逻辑
  numpy.sum默认使用**成对累加（Pairwise Summation）**算法：将数组递归地分成两半分别求和，再将结果相加。这种方式能让浮点数的舍入误差尽可能相互抵消，大幅降低误差累积的程度。同时numpy会利用底层硬件和优化库的支持，进一步提升精度控制的效率。

numpy.sum的实现逻辑 #

numpy.sum的实现核心流程如下：

• 输入统一：自动将输入的可迭代对象（如列表）转换为numpy数组，确保数据类型一致。
• 算法选择：根据数组的规模和维度选择合适的求和策略——小型数组可能直接顺序累加，大型数组则启用成对累加或分块累加优化。
• 底层优化：通过C语言实现核心计算逻辑，结合SIMD等硬件指令提升计算速度，同时针对不同浮点数类型（float32/float64）设计对应的精度处理逻辑。
• 维度处理：支持多维数组的轴向求和，内部会将多维求和拆解为高效的一维求和操作。

内容的提问来源于stack exchange，提问作者Liam385