如何在Python中处理传入Scipy/Numpy的极小数值(<1e-15)？

1. 利用特殊函数的互补逆函数（最优解） #

scipy.special 中的 gammaincinv 和 gammainccinv 存在互补关系：
gammaincinv(k, 1 - a) = gammainccinv(k, a)
因为正则化不完全伽马函数的补函数满足 1 - gammainc(k, x) = gammaincc(k, x)，其逆函数自然继承了这个等价转换逻辑。完全不需要计算 1 - a，直接传入极小值 a 即可避开精度问题：

from scipy.special import gammainccinv

a = 1e-18
result = gammainccinv(10, a)

该方法依赖 scipy 原生函数，无精度损失，也不需要额外依赖库。

2. 使用更高精度的浮点数类型 #

如果遇到没有互补函数的场景，可以用 numpy 的 longdouble 类型（平台相关，通常为 80/128 位精度）计算 1 - a，它能保留极小值的精度，且多数 scipy 特殊函数支持 longdouble 输入：

import numpy as np
from scipy.special import gammaincinv

a = np.longdouble(1e-18)
x = 1 - a  # 此时x不会被截断为1.0，可保留1 - 1e-18的精度
result = gammaincinv(10, x)

计算完成后，可根据需求将结果转换为普通 float 类型（精度允许的情况下），或继续用 longdouble 处理。

3. 临时转换 mpmath 数值为兼容类型（备选） #

如果必须用 mpmath 计算参数，可将其高精度数值转换为 numpy 的 longdouble（scipy 对 decimal 支持有限，不推荐），再传入 scipy 函数：

import mpmath
from scipy.special import gammaincinv
import numpy as np

mpmath.mp.dps = 30  # 设置足够的精度
a = mpmath.mpf("1e-18")
x = 1 - a
# 转换为numpy longdouble以兼容scipy
x_ld = np.longdouble(str(x))
result = gammaincinv(10, x_ld)

注意转换过程中避免精度损失，优先使用前两种方案。

内容的提问来源于stack exchange，提问作者Geoff2009max