[英]Floating point precision in Python array
对于真正简单而愚蠢的问题,我深表歉意。 但是,为什么在这两种情况下显示的精度有所不同?
1)
>> test = numpy.array([0.22])
>> test2 = test[0] * 2
>> test2
0.44
2)
>> test = numpy.array([0.24])
>> test2 = test[0] * 2
>> test2
0.47999999999999998
我在64位linux上使用python2.6.6。 预先感谢您的帮助。
这似乎也适用于python中的列表
>>> t = [0.22]
>>> t
[0.22]
>>> t = [0.24]
>>> t
[0.23999999999999999]
因为它们是不同的数字,并且不同的数字具有不同的舍入效果。
(实际上,右侧的所有“相关”问题都将解释舍入效应本身的原因。)
好吧,更严肃的答案。 似乎numpy对数组中的数字执行了一些转换或计算:
>>> t = numpy.array([0.22])
>>> t[0]
0.22
>>> t = numpy.array([0.24])
>>> t[0]
0.23999999999999999
而Python不会自动执行此操作:
>>> t = 0.22
>>> t
0.22
>>> t = 0.24
>>> t
0.24
舍入误差小于numpy的float
的“ eps”值,这意味着应将其视为相等(实际上是):
>>> abs(numpy.array([0.24])[0] - 0.24) < numpy.finfo(float).eps
True
>>> numpy.array([0.24])[0] == 0.24
True
但是Python之所以将其显示为'0.24'而不是numpy的原因是因为Python的默认float.__repr__
方法使用的精度较低(这是IIRC,这是最近的更改):
>>> str(numpy.array([0.24])[0])
0.24
>>> '%0.17f' % 0.24
'0.23999999999999999'
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.