本文介绍使用numpy高效生成高精度浮点数等差序列的方法，解决传统range函数不支持小数步长的问题，并提供精度控制、内存优化及替代方案建议。
在Python中，内置的range()函数仅支持整数起始值、终止值和步长，无法直接生成如 0.01, 0.02, ..., 10000000.00 这类带两位小数的浮点数序列。若强行用列表推导式配合round()模拟（如 [round(i*0.01, 2) for i in range(1000000001)]），不仅计算缓慢，还易因浮点累积误差导致边界偏差或重复值。
推荐使用 NumPy 的 np.arange() ——它专为数值计算设计，支持浮点步长，且底层用C实现，性能优异：
import numpy as np
# 生成 [0.00, 0.01, 0.02, ..., 10000000.00]（含两端）
numbers = np.arange(0.0, 10000000.01, 0.01)
print("前10个值:", numbers[:10])
print("后10个值:", numbers[-10:])
# 输出示例：[0. 0.01 0.02 ... 9999999.98 9999999.99 10000000. ]⚠️ 重要注意事项：
-
浮点精度陷阱：np.arange() 仍基于IEEE 754双精度浮点运算，对极小步长（如 1e-10）或超大范围可能产生微小舍入误差。若需严格保证小数位数（如金融场景），建议改用整数缩放法：
# 更稳健的方式：用整数生成再除以100（确保精确两位小数） integers = np.arange(0, 1000000001) # 0 ~ 1000000000（共1000000001个整数） numbers = integers / 100.0 # 自动转为float64，但值精确对应0.00, 0.01, ...
-
内存考量：10000000.01 / 0.01 = 1,000,000,001 个元素将占用约 7.5 GB 内存（每个 float64 占8字节）。生产环境应评估是否必须全量加载——可考虑生成器、分块处理或使用 np.linspace() 配合 num 参数控制总数：
# 指定总点数（避免步长累积误差），例如生成1亿个均匀分布的值 numbers = np.linspace(0.0, 10000000.0, num=100000000, endpoint=True)
✅ 总结：np.arange(start, stop, step) 是生成小数等差序列的首选；但务必结合精度要求与内存约束选择策略——高精度关键场景优先采用整数缩放法，大数据量场景优先考虑 linspace 或流式处理。
立即学习“Python免费学习笔记（深入）”；
