Numpy 最小正浮点数

阅读更多：Numpy 教程

什么是最小正浮点数

在计算机科学中，浮点数指的是一种近似表示实数的方法，通常由指数和尾数两部分组成。在浮点数的表示中有一个非常特殊的数字，即最小的正浮点数，也被称为“最小规范化的正常数”。这个数字非常接近于零，但又不是零。

最小正浮点数被用来描述一些接近于零的量的数值大小，比如在概率密度函数的计算中就经常需要用到最小正浮点数。在Numpy中，我们可以使用numpy.finfo(float)来获取当前数据类型的最小正浮点数。

下面来看一个例子：

import numpy as np

# 查看 float64 类型的最小正浮点数
smallest_pos_float64 = np.finfo(np.float64).tiny
print(smallest_pos_float64)  # 2.2250738585072014e-308

这个例子中，我们首先导入了Numpy，并使用finfo函数获取了float64类型的最小正浮点数，然后输出了这个数值。你可以尝试使用finfo来查看其他类型的最小正浮点数。

最小正浮点数与舍入误差

由于计算机中浮点数的精度有限，所以在进行一些浮点数计算时，会出现一些舍入误差。这些误差可能会影响到最小正浮点数的计算和应用。

下面来看一个例子：

import numpy as np

a = np.float64(1)
b = np.float64(10e-308)

print(a+b-a)  # 0.0
print(np.finfo(np.float64).tiny)  # 2.2250738585072014e-308

在这个例子中，我们定义了两个变量：a和b，分别赋值为np.float64(1)和np.float64(10e-308)。然后我们计算了(a+b)-a，输出结果为0.0，而不是我们所期望的最小规范化的正常数。这是因为计算机在进行浮点数计算时，会存在一些舍入误差，导致最终的计算结果与预期不同。

避免舍入误差

为了避免舍入误差的影响，我们可以采取一些措施来确保精度。例如，我们可以使用一些特殊的库来进行浮点数计算，例如mpmath和sympy等库，这些库可以提供更精确的浮点数计算。

下面来看一个使用mpmath库的例子：

import mpmath

mpmath.mp.dps = 100  # 设置精度为100位小数

a = mpmath.mpf(1)
b = mpmath.mpf(10**-308)

result = mpmath.fdot([a, b, -a])
print(result)  # 2.2250738585072014e-308

在这个例子中，我们首先导入了mpmath库，并将精度设置为100位小数。然后我们定义了两个变量：a和b，分别赋值为mpmath.mpf(1)和mpmath.mpf(10**-308)。我们使用了mpmath.fdot函数来计算(a+b)-a，并输出了结果。你可以通过修改精度来测试不同的计算结果。