Python 获取从-X到X均匀分布的值的N元素向量

在Matlab中，可以

N=1024;
X=1;
dx=2*X/(N-1);
x=-X:dx:X;

其中一个具有数组

x

，包括

-1

和

1

作为端点

以numpy表示的等效值：

from numpy import r_
N=1024
X=1
dx=2*X/N
x=r_[-X:X:dx]

给我

0.998046875

作为

x[N-1]

，这是不对的。如上所述使用

N-1

可以得到一个

N-1

元素数组，这肯定不是我想要的，也不会以

1

结尾。我已经验证了

x.dtype

是

float64

，这与Matlab的表示法相同

---

如何在numpy中获得一个完全对称的数组，就像我在Matlab中使用的那样？

您给出的Python代码是不等价的，因为它被

N

除法，而不是

N-1

：

octave:1> N=1024;
octave:2> X=1;
octave:3> dx=2*X/(N-1);
octave:4> dx
dx =  0.0019550

vs

所以你会得到不同的答案也就不足为奇了。现在，为了得到与Matlab相同的结果，您可以

---

但实际上，使用

linspace

，这就是它的用途，而且它对于其他人查看您的代码来说更具可读性。

这与

linspace（-1，1，1024）

（两者都适用）有何不同？@larsmans问得好。我看不出他们有什么不同的理由，但他们是（至少在numpy方面是如此）。我更习惯于不使用

linspace

，我想每个人都有自己的选择。如果N是您的输入，

linspace

是要使用的“正确”函数。（“correct”在引号中，因为实际上，你可以做任何你想做的事情，但这正是

linspace

的目的。）当

step

是一个浮点数时，

r\u[start:stop:step]

相当于

numpy.arange（start，stop，step）

arange

类似于

range

的浮点版本——它不包括端点。由于正常的浮点不精确性，当计算端点时，这可能会引起意外，因此我通常坚持使用

linspace

（很抱歉出现了垃圾评论）。如果您真的想要

r\u

提供的紧凑表示法，您可以使用hackish

r\u[-X:X:N*1j]

，因为

步骤是纯虚构的，
r\u[start:stop:step]
相当于
linspace（start，stop，step.real）
。键是
r[-X:X+dx:dx]
中的
+dx
。我会看看是否能说服自己使用
linspace
，尽管
：-）
。小心
r[start:stop+dx:dx]
。数字的不精确性可能会导致意外。例如，
r[2.1:4.2+0.15:0.15]
在结果中包括
4.35
。
>>> N = 1024
>>> X = 1
>>> dx = 2. * X / N
>>> dx
0.001953125

>>> dx = 2. * X / (N - 1)
>>> x = r_[-X:X+dx:dx]
>>> x
array([-1.        , -0.99804497, -0.99608993, ...,  0.99608993,
        0.99804497,  1.        ])
>>> x.shape
(1024,)