为什么NumPy数组与列表判断共有元素时出现精度差异？

这是浮点数二进制存储精度误差导致的，你在控制台看到的打印结果是四舍五入后的可视化值，并非数值在内存中的实际存储值。

具体逻辑 #

• 0.01无法用二进制浮点数精确表示，np.arange生成浮点序列时是持续累加步长0.01的，累加过程中会累积微小的误差：比如数组a中显示为0.7的元素，实际存储值可能是0.6999999999999995，而数组b中显示为0.7的元素，实际存储值可能是0.7000000000000001，二者实际数值并不相等，set做相等判断时自然不会识别为同一个元素。
• 你复制打印结果重新赋值后判断返回True，是因为你复制的是四舍五入到两位小数的十进制文本，把这些文本转成浮点数时会生成同一个近似值，自然能匹配到交集。
• 把numpy数组转成Python列表也不会解决问题，转换过程只会把numpy的float类型转成Python的float类型，底层存储的精度误差会完整保留，不会消失。

方案1：转整数判断（推荐，性能最优） #

将两个数组都放大100倍后四舍五入转整数，消除浮点误差后再判断交集：

a_int = np.around(a * 100).astype(int)
b_int = np.around(b * 100).astype(int)
print(bool(set(a_int) & set(b_int)))

方案2：用带容差的相等判断 #

使用numpy内置的np.isclose函数，允许微小误差范围内判定为相等：

# 只要存在任意一对元素在误差范围内相等，就判定为有共有元素
has_common = np.any(np.isclose(a[:, np.newaxis], b[np.newaxis, :]))

方案3：从源头避免浮点误差 #

生成数组的时候先以1为步长生成整数序列，再除以100得到目标浮点序列，避免累加0.01产生的误差：

# 生成数组a的示例
start = int(np.around(d.iloc[0]['start'], 2) * 100)
stop = int(np.around(d.iloc[0]['stop'], 2) * 100)
a = np.arange(start, stop, 1) / 100

内容的提问来源于stack exchange，提问作者connor449