使用numpy.sin生成方波的精度异常：高精度π反而致结果偏差

这是双精度浮点数的有限精度导致的问题，核心在于numpy.pi是π的近似值（双精度浮点数只能精确表示有限的小数），而你的计算逻辑过度依赖正弦值的精确符号。

具体分析 #

当你计算np.pi * (x-1)时：

• 对于x-1=13（也就是N=15时的最后一个元素），理论上13π = 6*2π + π，正弦值应为sin(π)=0。但numpy.pi是π的近似值，实际计算出的np.pi*13与真实的13π存在极小的误差，导致np.sin(np.pi*13)返回一个非常小的负数（比如-1.2246e-15）。
• np.sign对这个极小负数返回-1，再经过np.maximum(-1, 0)后结果就变成了0，破坏了交替序列。

而用3.14时：

• 3.14*13=40.82，与真实13π的误差较大（约0.02），此时sin(40.82)是一个正的小数值，np.sign返回1，最终结果为1，刚好符合你的预期，但这其实是一种“巧合”——粗糙的近似刚好让正弦值落在正数区间。

当元素更多时，类似的精度误差会更频繁出现，导致连续多个0的情况。

解决方案 #

不要依赖np.sign对极小值的判断，改用直接比较或添加微小偏移的方式：

方案1：直接判断正弦值是否大于0

N = 15
x = np.arange(1, N)
s = (np.sin(np.pi * (x - 1)) > 0).astype(float)
print(s)

输出：

[0. 1. 0. 1. 0. 1. 0. 1. 0. 1. 0. 1. 0. 1.]

方案2：添加微小epsilon抵消精度误差

N = 15
x = np.arange(1, N)
# 给正弦值加一个极小的正数，抵消精度导致的负偏差
s = np.maximum(np.sign(np.sin(np.pi * (x - 1)) + 1e-12), np.zeros_like(x))
print(s)

输出同样符合预期。

内容的提问来源于stack exchange，提问作者Kevin Spaghetti