NumPy中np.arange处理浮点数时边界不符合预期的问题

原因 #

这是浮点数二进制精度限制导致的典型问题。十进制的0.01无法用二进制浮点数精确表示，它在内存中是一个无限循环的近似值（类似十进制里的1/3=0.333...）。当np.arange累加这个近似的0.01时，会产生微小的累积误差：

• 正向生成时，0.07的实际存储值略小于理论值，加上近似的0.01后结果会略小于0.08（比如0.07999999999999999），而np.arange步长为正时的判断逻辑是当前值 < 终止值，这个略小的值满足条件，因此被加入序列，最终numpy将其近似显示为0.08。
• 反向生成时，0.01减去近似的0.01后得到一个略大于0的极小值（比如2.7755575615628914e-17），这个值大于终止值0.00，所以被加入序列，显示时近似为0.0。

解决方法 #

有两种可靠的解决方式：

1. 使用np.linspace精确控制点数 #

linspace直接指定生成的元素数量，会自动处理边界，避免步长累积误差：

import numpy as np

# 正向生成：从0.01到0.07，共7个点
np.linspace(0.01, 0.07, 7)
# 输出：array([0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07])

# 反向生成：从0.07到0.01，共7个点
np.linspace(0.07, 0.01, 7)
# 输出：array([0.07, 0.06, 0.05, 0.04, 0.03, 0.02, 0.01])

2. 用整数序列转换，避开浮点数步长 #

先生成整数序列，再缩放成目标浮点数，从根源上避免浮点数累加误差：

import numpy as np

# 正向生成：1到7，除以100
np.arange(1, 8, 1) / 100
# 输出：array([0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07])

# 反向生成：7到1，除以100
np.arange(7, 0, -1) / 100
# 输出：array([0.07, 0.06, 0.05, 0.04, 0.03, 0.02, 0.01])

内容的提问来源于stack exchange，提问作者EvanHong