Jupyter Notebook变量重置存疑？算法异常与精度问题求助

一、变量残留与异常数据问题 #

• 别只看交互式命名空间，检查自定义模块的全局变量：如果你的代码依赖自己写的工具模块，模块里若定义了全局数组/变量，每次运行笔记本时模块不会自动重新加载（除非手动触发），旧数据会留在模块中。测试方法：在代码开头添加import importlib; importlib.reload(你的模块名)，或者把模块里的全局变量改成函数内的局部变量。
• 用独立脚本验证：把所有代码复制到.py文件，在命令行用python 脚本名.py运行两次（每次更换输入数据），如果结果正常，说明是Jupyter的环境缓存问题；如果异常依旧，说明代码逻辑存在隐藏bug（比如某些默认参数未重置、数据预处理依赖外部状态等）。
• 检查数据读取环节：确认每次运行都读取新的原始数据，排查是否使用了缓存机制（比如joblib、pickle缓存，或读取文件时启用了cache=True类参数），清理所有缓存文件后再测试。

二、重复生成data.csv的问题 #

• 确认Jupyter工作目录：运行!pwd（Linux/macOS）或!cd（Windows），查看当前路径是否符合预期，可能某次运行时工作目录变更，导致在不同路径生成了同名文件。
• 检查文件名细节：排查是否存在大小写差异（Windows系统下文件管理器不区分大小写，但实际是两个独立文件），或文件扩展名被隐藏，看似都是data.csv，实际一个是data.csv.txt。
• 代码中指定绝对路径：将保存CSV的代码改为np.savetxt('/绝对路径/data.csv', ...)，强制写入同一位置，规避路径问题。

三、float64精度反而误差更大的问题 #

• 这不是算法不稳定，属于浮点运算的正常现象：
  • 低精度（如float32）会截断微小误差，而高精度下这些误差会被保留并累积，看起来误差更大，但实际是更贴近真实计算结果的表现；
  • numpy对不同dtype的运算可能采用不同优化策略，比如广播求和的顺序改变，导致误差分布发生变化。
• 排查方法：
  • 挑选几个异常数据点，手动模拟转换过程，对比float32和float64的每一步结果，定位误差出现的运算环节；
  • 检查广播逻辑：确认axis参数是否正确，三维数组的维度对齐是否符合预期，是否存在隐形维度扩展错误（比如本该沿axis=2求和，实际沿了其他轴）；
  • 尝试用np.float128再次测试，观察误差变化趋势，判断是精度累积还是逻辑问题。

内容的提问来源于stack exchange，提问作者swimmer