关于numpy.arange生成等间距数组的精度问题及正确实现的技术问询

这个问题其实是浮点数精度的经典“坑”，我来给你拆解清楚：

问题原因：二进制浮点数的精度限制 #

十进制里的0.1看起来是个简单的小数，但在二进制表示中，它是一个无限循环的分数（类似十进制里的1/3=0.333...）。计算机只能用有限的二进制位来存储浮点数，所以没办法精确表示0.1，只能存储一个最接近它的近似值——也就是你看到的0.10000000000000001。

而numpy.arange的工作逻辑是从起始值开始，不断累加步长生成数组，所以第一步就会把这个近似值直接放入数组，导致第一个元素看起来“不符合预期”。

解决方法：用更可靠的方式生成数组 #

方法1：使用numpy.linspace（推荐） #

linspace和arange的逻辑不同：它会先确定总点数，然后直接计算每个位置的数值，不会像arange那样逐步累加步长，能从根源上避免浮点数累加带来的误差。

要生成[0.1, 0.2, ..., 100]的数组，先算总点数：从0.1到100，步长0.1，一共是(100 - 0.1)/0.1 + 1 = 1000个元素。对应的代码：

import numpy as np
range_a = np.linspace(0.1, 100, 1000)

验证一下：

print(range_a[0])  # 输出 0.1
print(range_a[-1]) # 输出 100.0

每个元素的间隔都是精确的0.1（在浮点数精度允许的范围内）。

方法2：对arange结果做四舍五入（备选） #

如果一定要用arange，可以对结果做四舍五入修正误差：

import numpy as np
step = 0.1
range_a = np.arange(step, 100 + step, step)
range_a = np.round(range_a, decimals=1)

不过这种方法要注意：当范围和步长更大时，累加的误差可能会更明显，四舍五入不一定能完美解决所有情况，所以还是linspace更靠谱。

补充说明 #

其实这个微小的误差（大概1e-16级别）在大多数数值计算场景中不会影响结果，但如果你需要严格的十进制精度，也可以考虑使用Python标准库的decimal模块处理精确的十进制数，但对于numpy数组来说，linspace是最简洁高效的方案。

内容的提问来源于stack exchange，提问作者gabboshow