Python 这两个numpy阵列之间的区别是什么？

我有一个形状为（N，d）的数组

x

如果我按如下方式创建数组

r_1

和

r_2

，则输出应该相等，这是真的

import numpy as np

N = 100
d = 2
x = np.random.rand(N, d)

r_1 = x.reshape(N, 1, d) - np.repeat(x[np.newaxis, :, :], N, axis=0)
r_2 = x.reshape(N, 1, d) - x.reshape(1, N, d)

print((r_1 == r_2).all())
> True

但是，如果我在确定性模拟中使用数组，由于（我假设）浮点错误，这两种方法会产生不同的最终结果。 我对模拟做了一些深入研究，在第八次迭代之前，一切都是一样的，在第八次迭代中，我得到了如下差异：

Method 1: 0.4759682049387506
Method 2: 0.47596820493875036

这些浮点错误可能会传播到完全不同的模拟最终结果：

Method 1:
E_kin:  11651.935893586868
E_pot:  -22091.50550903025
Method 2:
E_kin:  12059.81250826829
E_pot:  -21037.60706699791

这两个数组之间的根本区别是什么，使用它们进行的计算结果并不相同？除了方法1或方法2是否用于计算

r

，模拟中的所有内容都保持不变

---

编辑：这是使用numpy版本1.18.1。

1。这些操作在数学上是否按预期工作？您正在删除不同形状的数组，虽然Python允许这样做，但结果可能不是预期的结果。2.您可以通过不同的方式获得不同的舍入误差，例如，求和顺序不同。如果您的算法作为一个整体对舍入错误如此敏感，那么您就有一些严重的稳定性问题。@petermisrimel 1。是的，它们按预期工作。我基本上想要

r[I，j]=x[I]-x[j]

，这两个广播操作都在做。我显式地减去不同形状的数组以利用numpy的广播。2.我知道求和排序之类的，但是这些数组的创建方式应该是每个条目只有一个减法运算。我同意稳定性问题，但这是我必须使用特定算法的家庭作业。这是一个分子动力学模拟，所以状态的任何分歧都会产生不同的物理现象，就我所知，这些阵列在各个方面都是相同的（数值、形状、步幅、旗帜等等）。您可以共享模拟的代码吗？您是否绝对确定它是确定性的，您是否通过在同一输入上重复运行它来测试它？即使是“数学上”确定的模拟，如果不小心实施，也可能是不确定的。特别是，一些BLAS库是非确定性的。@myrtlecat我确信它是确定性的，每种方法每次都产生相同的结果，唯一的随机部分是种子（位置和速度的初始化）。这是模拟类，这是我用来测试差异的文件。即，参见模拟类文件的第117行，以查看在测试文件的类实例化中设置

numpy_方法

kwarg之间的差异。