本教程将深入探讨在numpy中进行浮点数数组比较时遇到的精度问题，并详细介绍如何使用`numpy.isclose()`函数来执行可靠的近似相等判断。我们将解释直接相等比较的局限性，并通过示例代码演示`isclose`如何利用绝对容忍度（`atol`）和相对容忍度（`rtol`）有效地处理浮点数精度差异，确保数值计算的准确性。
引言：浮点数比较的挑战
在计算机科学中，浮点数（如Python中的float或NumPy数组中的float64）的表示是有限精度的，这可能导致在进行数值计算时出现微小的舍入误差。当我们需要比较两个浮点数或浮点数数组是否相等时，这些微小的误差常常会导致直接使用==运算符得到不符合预期的False结果，即使从实际应用的角度来看它们应该被认为是相等的。
例如，考虑以下NumPy数组：
import numpy as npe = np.array([0.8292222222222225, 0.1310000000000003])print(f"数组 e 的第一个元素: {e[0]}")print(f"直接比较 e[0] == 0.829225: {e[0] == 0.829225}")
输出结果会显示 e[0] 的值为 0.8292222222222225，而 e[0] == 0.829225 的结果为 False。这是因为 0.8292222222222225 和 0.829225 在二进制表示上存在差异，即使它们在视觉上非常接近。在需要进行基于近似值的逻辑判断时，这种严格的相等比较显然是不适用的。
numpy.isclose()：精确处理浮点数近似相等
为了解决浮点数精度带来的比较问题，NumPy提供了numpy.isclose()函数。这个函数允许我们在指定的容忍度（tolerance）范围内判断两个数组的对应元素是否“足够接近”，从而实现近似相等比较。
numpy.isclose()函数的核心思想是，如果两个数值 a 和 b 之间的绝对差值小于或等于某个容忍度，则认为它们是近似相等的。其比较公式为：
abs(a – b)
其中：
a, b：要比较的数组或数值。atol (absolute tolerance)：绝对容忍度。这是一个正浮点数，表示两个值之间允许的最大绝对差值。它主要用于比较接近零的数值，或者当误差的绝对大小是恒定且不依赖于数值大小时。默认值为 1e-08。rtol (relative tolerance)：相对容忍度。这是一个正浮点数，表示两个值之间允许的最大相对差值。它更适用于比较量级差异很大的数值，或当误差与数值本身的大小成比例时。默认值为 1e-05。equal_nan (boolean, optional)：如果设置为 True，则 NaN 值会被视为相等。默认值为 False。
isclose函数会返回一个布尔型数组，指示每个对应位置的元素是否满足近似相等条件。
实践示例：使用atol进行数组比较
让我们使用numpy.isclose()来解决前面提到的问题，通过调整atol参数来观察比较结果的变化。
import numpy as npa = np.array([0.8292222222222225, 0.1310000000000003])b = np.array([0.8293, 0.132]) # 假设这是另一个数组，我们想与a进行近似比较print(f"原始数组 a: {a}")print(f"原始数组 b: {b}n")# 使用不同的 atol 值进行比较# 当 atol=1e-3 时，允许的绝对差值为 0.001print(f"使用 atol=1e-3 进行比较: {np.isclose(a, b, atol=1e-3)}")# 当 atol=1e-4 时，允许的绝对差值为 0.0001print(f"使用 atol=1e-4 进行比较: {np.isclose(a, b, atol=1e-4)}")# 当 atol=1e-5 时，允许的绝对差值为 0.00001print(f"使用 atol=1e-5 进行比较: {np.isclose(a, b, atol=1e-5)}")
输出结果：
原始数组 a: [0.82922222 0.131 ]原始数组 b: [0.8293 0.132 ]使用 atol=1e-3 进行比较: [ True True]使用 atol=1e-4 进行比较: [ True False]使用 atol=1e-5 进行比较: [False False]
结果分析：
a[0] (0.82922222) 与 b[0] (0.8293) 的绝对差值约为 |0.82922222 – 0.8293| = 0.00007778。a[1] (0.131) 与 b[1] (0.132) 的绝对差值约为 |0.131 – 0.132| = 0.001。
根据atol的不同设置，我们可以看到：
当 atol=1e-3 (0.001) 时，两个元素对的差值都小于或等于 0.001，因此结果均为 True。当 atol=1e-4 (0.0001) 时，a[0] 和 b[0] 的差值 0.00007778 小于 0.0001，为 True；而 a[1] 和 b[1] 的差值 0.001 大于 0.0001，为 False。当 atol=1e-5 (0.00001) 时，两个元素对的差值都大于 0.00001，因此结果均为 False。
这个示例清晰地展示了如何通过调整atol来控制比较的严格程度，从而实现对浮点数数组的近似相等判断。
rtol与atol的选择与注意事项
理解rtol和atol的区别及其适用场景对于正确使用isclose()至关重要。
何时使用atol：
当需要比较的数值接近零时，由于相对误差可能变得非常大，atol通常是更合适的选择。当误差的绝对大小是恒定的，不随数值大小变化时。例如，比较两个坐标点是否在某个微小半径范围内。
何时使用rtol：
当比较的数值大小可能差异很大时，rtol更为实用。它允许较大的数值有较大的误差，同时保持较小数值的相对精度。当误差与数值本身的大小成比例时。例如，比较两个物理测量值，误差通常是测量值本身的百分比。
共同使用： numpy.isclose()的比较公式 abs(a – b)
默认值： rtol的默认值为1e-05，atol的默认值为1e-08。这些默认值在许多科学计算场景中是合理的，但在特定应用中，您可能需要根据所需精度手动调整它们。
避免过度容忍： 设置过大的atol或rtol可能导致不准确的判断，将实际上不相等的数值错误地判断为相等。因此，选择合适的容忍度是关键。
equal_nan参数： 在某些数据处理场景中，可能需要将 NaN（Not a Number）值视为相等。通过设置 equal_nan=True，numpy.isclose()可以实现这一功能。
总结
在NumPy中处理浮点数数组的比较时，直接使用==运算符往往是不可靠的，因为它无法处理浮点数固有的精度问题。numpy.isclose()函数提供了一个强大而灵活的解决方案，通过引入绝对容忍度atol和相对容忍度rtol，使得我们能够根据实际需求进行精确的近似相等判断。
掌握numpy.isclose()及其参数的用法，特别是在何时以及如何选择atol和rtol，是进行可靠数值计算的关键技能。在未来的NumPy应用中，建议优先使用isclose()进行浮点数比较，以确保结果的准确性和程序的健壮性。
以上就是NumPy浮点数数组的近似相等比较：解决精度差异问题的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1382554.html
微信扫一扫 
支付宝扫一扫 
