Numpy isin函数浮点舍入误差问题及解决方法咨询

这是个典型的浮点数精度陷阱，我给你几个实用的解决方案：

方法1：使用容差比较（最推荐） #

既然精确的==比较会因为浮点数误差失效，我们可以用np.isclose()来做带容差的匹配，结合np.any()判断每个元素是否在已知数组的误差范围内：

import numpy as np

thetas = np.linspace(.25, .50, 51)
known_thetas = np.array([.3, .35, .39, .41, .45])

# 把thetas转成列向量，和known_thetas做广播式的容差比较
matches = np.any(np.isclose(thetas[:, None], known_thetas), axis=1)
# 取反得到不在已知列表中的元素
unknown_thetas = thetas[~matches]

np.isclose()默认的容差已经能覆盖大部分常见的浮点数误差，如果你需要更严格/宽松的匹配，可以手动调整rtol（相对容差）和atol（绝对容差）参数。

方法2：对生成的数组做四舍五入 #

观察你的linspace参数：从0.25到0.50共51个点，步长是(0.50-0.25)/50 = 0.005，所有理论值都是两位小数的倍数。我们可以把生成的thetas四舍五入到两位小数，消除微小的精度误差，再用isin()：

import numpy as np

thetas = np.linspace(.25, .50, 51)
known_thetas = [.3, .35, .39, .41, .45]

# 四舍五入到两位小数，把0.41000000000000003转成0.41
thetas_rounded = np.round(thetas, 2)
unknown_thetas = thetas[np.isin(thetas_rounded, known_thetas, assume_unique=True, invert=True)]

这个方法简单直接，适合你这种步长是固定小数倍数的场景。

方法3：直接从生成数组中提取已知值 #

如果你能确定已知值在thetas中的位置，完全可以跳过手动输入，直接从thetas里取对应的元素，这样就不会有精度差异：

import numpy as np

thetas = np.linspace(.25, .50, 51)
# 计算每个已知值对应的索引：(目标值-0.25)/0.005
known_indices = [10, 20, 28, 32, 40]
known_thetas = thetas[known_indices]
unknown_thetas = thetas[np.isin(thetas, known_thetas, assume_unique=True, invert=True)]

这种方法能保证known_thetas和thetas里的元素完全一致，isin()自然能正确匹配。

为什么会出现这个问题？ #

浮点数在计算机中是用二进制存储的，像0.005这样的十进制小数，在二进制里是无限循环的，累加多次后就会产生微小的误差——你看到的0.41000000000000003就是这个误差的结果。而你手动输入的0.41是另一个近似的二进制浮点数，两者用==比较时会返回False，导致isin()没把它识别为已知元素。

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