numpy数组循环中精度丢失致比较失效，求解决方案

我编写了parse_mass_data函数，接收一维坐标数组y_coords作为分段函数的区间端点，同时传入存储分段函数的字典wingline等参数。在循环中进行数值比较时，numpy数组出现精度丢失，输入的[ 0. 6. 10.]在循环中变为0.0、5.999999999999999、9.999999999999998，导致区间比较逻辑无法正常工作。

代码如下： #

def parse_mass_data(mass_prop_file, slices, wingline, y_coords):
    data = pd.read_csv(mass_prop_file, delim_whitespace=True,index_col=False, skiprows = 10, skipfooter=(slices+5))
    cogy = []
    mass = []
    y = y_coords.astype(np.float64)
    print(y)
    for i in range(len(data['Name'].values)):
        if data['Name'][i] != 'Totals'and data['Name'][i] != 'Name':
            cogy.append(data['cgY'].values[i])
            mass.append(data['Mass'].values[i])

    cogy = np.array(list(map(float,cogy)))
    mass = np.array(list(map(float,mass)))
    x = np.zeros(len(mass))
    z = np.zeros(len(mass))

    for i in range(len(mass)):
        for j in range(len(y_coords)-1):
            if cogy[i] >= y[j] and cogy[i] < y[j+1]:
                x[i] = wingline['xy'][j][0] * cogy[i] + wingline['xy'][j][1]
                z[i] = wingline['yz'][j][0] * cogy[i] + wingline['yz'][j][1]
            # print(wingline['xy'][j],wingline['yz'][j])
            print(y[j],y[j+1])
        # print(i,x[i],cogy[i],z[i])

输出结果如下： #

[ 0.  6. 10.]
0.0 5.999999999999999
5.999999999999999 9.999999999999998
0.0 5.999999999999999
5.999999999999999 9.999999999999998
0.0 5.999999999999999
5.999999999999999 9.999999999999998
0.0 5.999999999999999
5.999999999999999 9.999999999999998

请问如何修正该比较逻辑，或者有没有更优的实现方式？另外我了解numpy有interpolate函数，但已有拟合公式且输入数据质量存疑，是否仍可使用该函数？

一、修正精度丢失导致的区间比较问题 #

1. 引入容差进行比较 #

浮点数的精确比较极易受精度误差影响，建议设置一个极小的容差（如1e-8），调整比较逻辑：

# 替换原有的if判断语句
tol = 1e-8
if cogy[i] >= y[j] - tol and cogy[i] < y[j+1] + tol:
    x[i] = wingline['xy'][j][0] * cogy[i] + wingline['xy'][j][1]
    z[i] = wingline['yz'][j][0] * cogy[i] + wingline['yz'][j][1]

这种方式可以覆盖浮点数精度偏差带来的边界值匹配问题。

2. 用numpy.digitize替代嵌套循环 #

numpy的digitize函数可直接根据区间端点批量获取每个值所属的区间索引，既规避手动循环的精度问题，又提升代码效率：

# 确保y_coords为升序排列（你的输入已满足）
bins = y_coords
# 获取每个cogy值对应的区间索引（digitize返回右边界索引，需减1调整）
indices = np.digitize(cogy, bins) - 1
# 过滤超出首尾区间的异常索引
indices = np.clip(indices, 0, len(bins)-2)

# 批量计算x和z，替代嵌套循环
x = wingline['xy'][indices, 0] * cogy + wingline['xy'][indices, 1]
z = wingline['yz'][indices, 0] * cogy + wingline['yz'][indices, 1]

3. 转换为整数运算（适用场景） #

如果坐标值都是整数或可放大为整数（如原坐标0、6、10，放大1倍即可转为整数），可将所有数值乘以倍数转为整数后再比较，彻底规避浮点数精度问题：

# 放大10倍转为整数（根据实际精度调整倍数）
scale = 10
y_int = (y_coords * scale).astype(np.int64)
cogy_int = (cogy * scale).astype(np.int64)

# 用整数进行区间比较
if cogy_int[i] >= y_int[j] and cogy_int[i] < y_int[j+1]:
    # 计算逻辑保持不变

二、关于numpy.interpolate的使用说明 #

即使已有拟合公式，numpy.interpolate仍可使用，需结合需求判断：

• 若你的分段拟合是线性公式（从代码看x[i] = a*cogy[i]+b属于线性），interpolate.interp1d的线性插值结果和手动计算完全一致，使用插值函数可简化代码，无需维护手动区间逻辑。
• 若输入数据质量存疑，插值函数本身不会加重问题，但需先过滤异常值；同时可通过fill_value参数控制边界外值的处理（如设为extrapolate或固定值）。
• 若更信任自己的分段拟合公式，只需解决精度问题即可继续使用现有逻辑；插值函数是简化代码的替代方案，并非必须。

内容的提问来源于stack exchange，提问作者keg504