为什么numpy.mean(A, axis=1)[0]与numpy.mean(A[0,:])计算结果不一致

你观测到的差异量级约为2e-16，属于双精度浮点数的正常误差范围，并非代码逻辑错误，具体原因如下：

• 浮点数加法不满足绝对结合律：双精度浮点数仅能保留15~17位有效数字，累加运算的顺序会影响中间结果的舍入状态。针对10805个元素的累加操作，不同的累加顺序会导致最终结果的最低有效位出现差异，属于正常现象。
• Numpy归约函数的自适应计算路径：numpy.mean()、numpy.sum()、numpy.std()这类归约函数，会根据输入数组的内存布局（是否为连续数组、行优先/列优先存储）自动选择最优计算实现。你提到A、B通过不同方法获取，虽然元素值完全一致，但二者的内存布局存在差异：
  1. 调用numpy.mean(A, axis=1)时，针对A的非连续内存布局，Numpy使用了分块累加的SIMD优化路径
  2. 调用numpy.mean(A[0,:])时，切片操作会生成连续的一维数组，Numpy使用顺序累加的计算路径
     两种路径的累加顺序不同，最终导致计算结果出现微小差异。而B的内存布局为连续行优先，两种调用方式的计算路径一致，因此结果没有差异。

这类微小误差通常不会影响正常的数值计算结果，若需要进一步降低误差，可以在计算时指定更高精度的累加类型，例如numpy.mean(A, axis=1, dtype=np.longdouble)。

内容的提问来源于stack exchange，提问作者Háski