NumPy平均函数的四舍五入误差

Question

我觉得这很奇怪。有人能告诉我这里发生了什么吗？

>>>a = [1,0,1]
>>>np.mean(a)
   0.66666666666666663
>>>2.0/3
   0.6666666666666666

np.mean(a)输出结果结尾为3是什么原因？为什么不是像下一行那样为6或者四舍五入后为7呢？请说明。

- Shishir Pandey

---

为什么会有踩票？至少解释一下。这似乎完全合理...除非你实际上没有读问题... - Brian

@Brian 这个问题在这个论坛上已经被回答了很多很多次。 - Daniel

@Ophion，所以请投反对票，并评论说这是一个重复问题，并提供一个链接。当搜索或相关列表中没有显示出重复问题时，为什么人们就会“投石问路”地向新用户投反对票呢？ - Brian

@Brain 你可以问他们，但这是一个很容易通过谷歌回答的问题，基本上是 SO 问题清单上的检查项目＃1（http://meta.stackexchange.com/questions/156810/stack-overflow-question-checklist）。 - Daniel

@Ophion：这不是每天看到三次的标准OMG，0.1 + 0.2 = 0.30000004!!，这似乎是一个合理的问题，让我也感到惊讶。 - Bas Swinckels

Answer 1

这只是两种不同类型的字符串表示的情况：

In [17]: a = [1, 0, 1]

In [18]: mean(a)
Out[18]: 0.66666666666666663

In [19]: type(mean(a))
Out[19]: numpy.float64

In [20]: 2.0 / 3
Out[20]: 0.6666666666666666

In [21]: type(2.0 / 3)
Out[21]: float

In [22]: mean(a).item()
Out[22]: 0.6666666666666666

它们是相等的：

In [24]: mean(a) == 2.0 / 3
Out[24]: True

In [25]: mean(a).item() == 2.0 / 3
Out[25]: True

现在可能是阅读关于 numpy scalars 和 numpy dtypes 的时候了。

- Phillip Cloud

---

Python浮点数也应该是64位的，但是numpy打印出来的方式有点奇怪。 - Bas Swinckels

@BasSwinckels 不确定我理解你的论点。你是说因为它们都是具有64位表示的浮点类型，所以它们应该“repr”相同，即使它们在类型层次结构中是不同的类型吗？ - Phillip Cloud

我知道它们是具有不同reprs的不同类型，但两者都应该包装相同的float64值。在这种情况下，似乎没有努力使repr显示它真正的类型，所以我觉得有点惊讶的是，他们没有使用相同的算法来创建字符串表示。 - Bas Swinckels

我猜这个问题可能已经在NumPy ML上讨论过了。我现在没时间去查，但我敢打赌你会在那里找到更多信息。 - Phillip Cloud