Numpy exp() 函数无缘无故地给了我错误的值

如何解决Numpy exp() 函数无缘无故地给了我错误的值

import matplotlib.pyplot as plt

#from numpy.fft import fft as numpyfft

#from scipy.fftpack import fft as scipyfft

import numpy as np

    
    print(np.exp([-2j*np.pi]))

    print(np.exp([-2.j*np.pi]))

    print(np.exp(-2j*np.pi))

    print(np.exp(-2.j*np.pi))

    [1.+2.4492936e-16j]
    [1.+2.4492936e-16j]
    (1+2.4492935982947064e-16j)
    (1+2.4492935982947064e-16j)

所以我前几天做了一个关于 FFT 主题的演讲。因此，我用 python 3 制作了一本 jupyternoebook。我直接从这里获取了代码示例：

https://pythonnumericalmethods.berkeley.edu/notebooks/chapter24.04-FFT-in-Python.html

其中显示了所描述的 FFT 算法的简短实现。重要的是，他们使用 numpy.exp 函数，如我的代码所示。

我想写一些关于算法中使用的函数的解释，并做了一些打印比较直接的 numpyfft、scipyfft 和从链接实现的 FFT。存在巨大的四舍五入错误。所以我更深入地研究它，发现在我的 jupyternotebook 上，exp(-2j*PI) = 错误的值。应该是

所以它不是关于 FFT 算法，而是我得到的错误值，请参阅上面的代码打印。我搜索了一下，但似乎没有一个线程有帮助。有人建议在除法时强制转换为浮动，但在 -2j*PI 中我们不除法并且不需要强制转换？！

所以是的，我完全一无所知。对不起，如果这是我的一个基本错误，但我现在被困了几个小时，希望能够用正确的结果正确解释它。

（numpy 和 scipy 的 FFT 算法产生了正确的结果，但链接中的 FFT 显然不是）

解决方法

这是正确的答案。 Numpy 与所有以二进制计算的计算机一样，误差幅度很小。您可以通过四舍五入为 14 位（对于 32 位浮点数）来规避此问题：

print(np.round(np.exp(-2j*np.pi),14))
# (1+0j)