如何对NumPy数组及浮点数计算模运算以得到预期零值？

我明白你碰到的这个问题有多头疼——明明是2.012的精确倍数，模运算却返回了非零值，连Decimal模块一开始都没搞定。这背后的核心问题还是浮点数的精度表示：2.012无法被精确存储为二进制浮点数，而且直接用float初始化Decimal时，已经带上了精度误差。下面是几个可行的解决方案：

1. 用字符串初始化Decimal，避免float精度污染 #

你之前的Decimal用法之所以失效，是因为Decimal(3*2.012)中的3*2.012先被Python计算成了不精确的float值（实际是6.035999999999999...），再转成Decimal也保留了这个误差。正确的做法是直接用字符串来初始化Decimal，确保数值的十进制精确性：

from decimal import Decimal

# 用字符串传入精确值，而非从float转换
num = Decimal('6.036')  # 3*2.012的精确十进制表示
freq = Decimal('2.012')
print(num % freq)  # 输出: Decimal('0')

对于你实际读取的数据，需要把每个数值以字符串形式传入Decimal，而不是直接用float转换：

from decimal import Decimal

detections = [2.012, 4.024, 6.036, 8.048, 1, 2, 3, 1.2, 1.3, 1.4, 1, 5, 6, 2.012, 2.012, 2.012]
frequency = Decimal('2.012')

# 先把每个数值转成字符串，再初始化Decimal
mod_results = [Decimal(str(x)) % frequency for x in detections]
# 把接近0的结果替换为精确0
mod_results = [Decimal('0') if abs(r) < Decimal('1e-9') else r for r in mod_results]

print(mod_results)

2. 缩放为整数运算（适合numpy数组场景） #

如果处理的是numpy数组，缩放法会更高效：把浮点数乘以10的n次方（n是小数位数，这里2.012有3位小数，所以乘1000）转成整数，用整数做模运算后再缩放回来，完全避免浮点数误差：

import numpy as np

x = np.array([2.012, 4.024, 6.036, 8.048, 1, 2, 3, 1.2, 1.3, 1.4, 1, 5, 6, 2.012, 2.012, 2.012])
frequency = 2.012

# 确定缩放因子：2.012有3位小数，所以乘1000
scale = 1000
# 缩放为整数（先四舍五入避免转换误差）
x_scaled = np.round(x * scale).astype(np.int64)
freq_scaled = int(frequency * scale)  # 2012

# 整数模运算后再缩放回原尺度
mod_result = (x_scaled % freq_scaled) / scale

# 把接近0的结果置为0（用np.isclose处理微小误差）
mod_result[np.isclose(mod_result, 0, atol=1e-9)] = 0

print(mod_result)

3. 灵活判断：用误差容忍度代替精确等于0 #

在实际场景中，即使处理后可能存在极小的精度残留，我们可以通过判断模运算结果的绝对值是否小于一个极小的阈值（比如1e-9）来认定它是0，而不是严格要求等于0：

# 以numpy为例
mod_result = x % frequency
mod_result[np.abs(mod_result) < 1e-9] = 0

这种方法简单直接，适合对精度要求不是极端苛刻的场景。

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