含超长浮点值的NumPy数组误判相等，如何正确判定逐元素等价？

这其实是浮点数本身的精度限制导致的——你写的那两个差异在小数点后30多位的小数，在被NumPy默认存储为64位双精度浮点数时，已经被转换成了完全相同的二进制值，所以不管用==、np.array_equal还是np.allclose都会判定它们相等。

为什么会这样？ #

64位双精度浮点数的有效精度大约是15-17位十进制数字，也就是说，超过这个范围的小数位差异会被“抹掉”，无法被存储和区分。你例子里的两个数值，差异出现在第30多位，远超出了双精度浮点数的分辨能力，所以它们在内存里是同一个值。

正确的解决办法 #

要准确区分这类超高精度的数值，你需要使用支持更高精度的数据类型，这里有两个可行方案：

1. 使用NumPy的高精度浮点数类型

NumPy提供了np.longdouble类型，它在多数平台上是80位扩展精度浮点数（部分平台是128位），能提供更高的有效精度，足以区分你例子中的数值：

import numpy as np
def numpy_equal():
    x = np.array([2, 3, 1, 0.000000000000001000000000000000000000002], dtype=np.longdouble)
    y = np.array([2, 3, 1, 0.000000000000001000000000000000000000001], dtype=np.longdouble)
    assert not np.array_equal(x, y)  # 现在会正确判定两个数组不相等
numpy_equal()

⚠️ 注意：np.longdouble的精度依赖于操作系统和硬件，比如Windows平台上它可能和float64精度一致，这时这个方法就不生效了。

2. 使用Python的decimal模块结合object数组

如果你需要完全可控的超高精度，可以用Python标准库的decimal.Decimal类型，它支持自定义精度，然后将NumPy数组的dtype设为object来存储这些Decimal对象：

import numpy as np
from decimal import Decimal
def numpy_equal():
    # 注意要用字符串形式传入数值，避免浮点数转换时的精度丢失
    x = np.array([2, 3, 1, Decimal("0.000000000000001000000000000000000000002")], dtype=object)
    y = np.array([2, 3, 1, Decimal("0.000000000000001000000000000000000000001")], dtype=object)
    assert not np.array_equal(x, y)  # 正确判定不相等
numpy_equal()

这个方法的优势是精度完全可控，但object类型的NumPy数组运算效率会远低于原生数值类型数组，适合精度要求极高但运算量不大的场景。

补充说明 #

为什么np.allclose也没起作用？因为allclose是基于浮点数的现有值来计算误差的，而你的两个数值在双精度下已经是同一个值了，所以不管怎么调整rtol（相对误差）和atol（绝对误差）参数，都无法区分它们——必须先确保存储时能保留足够的精度差异才行。

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