调用np.sum(np.abs(X))与np.sum(np.real(X))得不同结果的疑问

你的代码 #

import numpy as np

arr2D_x0 = np.real(np.fft.ifft2(arr2D_g, norm='ortho'))
print('arr2D_x0',np.sum(np.abs(arr2D_x0)), np.sum(np.real(arr2D_x0)), np.sum(arr2D_x0), np.unique(np.imag(arr2D_x0)))
print((np.abs(arr2D_x0) == np.real(arr2D_x0)).all(), (arr2D_x0 == np.real(arr2D_x0)).all(), (np.abs(arr2D_x0) == arr2D_x0).all())

输出结果 #

arr2D_x0 16241240.101077307 13039017.97206586 13039017.97206586 [0.]
False True False

核心原因 #

从输出的布尔判断结果可以直接定位问题：

• (arr2D_x0 == np.real(arr2D_x0)).all() 为True，结合虚部全0的结果，说明arr2D_x0确实是纯实数数组，不存在精度导致的虚部干扰。
• (np.abs(arr2D_x0) == arr2D_x0).all() 为False，这直接说明数组中存在负数值。

两个求和的本质差异：

• np.sum(np.abs(arr2D_x0))：对所有元素取绝对值（负数转为正数）后求和，得到的是所有元素的总幅值，不会有正负抵消。
• np.sum(arr2D_x0)：直接对数组元素求和，负数会抵消掉一部分正数的和，因此结果远小于绝对值求和。

举个简单例子验证：数组[5, -3]，绝对值求和为5+3=8，直接求和为5-3=2，差异逻辑完全匹配你的情况。

你修改数据类型无变化的原因是，问题根本不是浮点精度问题，而是数组本身包含负数，和数据类型无关。

内容的提问来源于stack exchange，提问作者Yan