NumPy浮点数数组的近似相等比较：解决精度差异问题

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 np

e = 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) <= (atol + rtol * abs(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 np

a = 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 0.001
print(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 0.0001
print(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 0.00001
print(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：

What-the-Diff

检查请求差异，自动生成更改描述

103

查看详情

• 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) <= (atol + rtol * abs(b)) 表明，它会同时考虑绝对误差和相对误差。只要满足其中一个条件，即 abs(a - b) <= atol 或者 abs(a - b) <= rtol * abs(b)，就认为它们是近似相等的。这意味着isclose在大多数情况下都表现得很鲁棒。

• 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php中文网其它相关文章！