Numpy数组与自身共轭相乘出现虚部残差，与逐项相乘结果不一致

核心原因：浮点数精度误差与Numpy实现差异 #

你遇到的是浮点数二进制存储的固有精度限制，结合不同Numpy版本运算实现差异导致的现象：

• 1.1、2.2这类十进制小数无法用二进制浮点数精确表示，存储时本身就带有微小误差。
• 单个元素运算时，Python原生复数运算可能通过优化路径直接计算模平方（实部²+虚部²），自动消除了虚部；而新版本Numpy的数组向量化运算，直接执行复数乘法逻辑，误差在运算中显现为极小的虚部残差。
• 旧版本Numpy（1.21.x）可能对array * array.conj()这类操作做了特殊优化，直接计算模平方跳过复数乘法，因此没有虚部残差。

处理方法 #

1. 直接计算模平方（推荐） #

不需要通过复数乘法，直接调用np.abs()计算模再平方，完全避免虚部问题：

import numpy as np
bob = np.array([1.1+2.2j, 3.3+4.4j])
result = np.abs(bob)**2
# 输出：array([ 6.05, 30.25])

2. 提取实部或舍入误差 #

如果需要保留复数类型，可以直接取实部（理论上虚部应为0），或者舍入微小残差：

# 提取实部
result_real = np.real(bob * bob.conj())
# 舍入虚部误差
result_rounded = np.round(bob * bob.conj(), decimals=15)

3. 忽略微小误差 #

在后续逻辑中，用np.isclose判断数值时，自动忽略极小的精度差异：

expected = np.array([6.05, 30.25])
actual = bob * bob.conj()
print(np.isclose(actual.real, expected))  # 输出：[True True]

反馈建议 #

如果认为这个现象需要优化，可以前往Numpy的GitHub仓库提交issue，附上你的测试环境、不同版本的代码输出对比。不过由于这是浮点数运算的固有特性，且残差量级远小于常规计算的精度要求，大概率会被归类为已知的数值精度现象，而非bug。

内容的提问来源于stack exchange，提问作者bjes