Python数组中的浮点精度

Question

我为这个非常简单而愚蠢的问题道歉;但是，为什么这两种情况的精确度有差异？

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。 提前感谢您的帮助。

这似乎也适用于python中的列表

>>> t = [0.22]
>>> t
[0.22]

>>> t = [0.24]
>>> t
[0.23999999999999999]

Answer 1

因为它们是不同的数字，不同的数字具有不同的舍入效果。

（实际上右下方的任何相关问题都将解释舍入效应本身的原因。）

---

好的，更严肃的回答。 numpy似乎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float的numpy的“eps”值，这意味着它应该被视为相等（事实上，它是）：

>>> abs(numpy.array([0.24])[0] - 0.24) < numpy.finfo(float).eps
True

>>> numpy.array([0.24])[0] == 0.24
True

但是Python将其显示为“0.24”而numpy不是因为Python的默认float.__repr__方法使用较低的精度（IIRC，这是最近的变化）：

>>> str(numpy.array([0.24])[0])
0.24

>>> '%0.17f' % 0.24
'0.23999999999999999'