你好，取决于我放入窦的阵列，我得到一个完全不同的输出。 test1，test3是无法正常工作的示例。这是怎么回事？
test1 = np.sin(50.*2.*np.pi*np.arange(0., 512., dtype=np.float64))
test2 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=True, dtype=np.float64))
test3 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=False, dtype=np.float64))
plt.plot(np.arange(0, 512), test1)
plt.plot(np.arange(0, 512), test2)
plt.plot(np.arange(0, 512), test3)
plt.show()
在做进一步研究后，确定是实际的问题：使用test1和test3违反了奈奎斯特定理，仅对零附近的值进行采样。要解决此问题，需要提高采样率或降低频率。**
这不是窦性行为。我减小了尺寸并打印了您要馈送到np.sin()的数组。
import numpy as np
SIZE = 4
print(np.arange(0., float(SIZE), dtype=np.float64))
print(np.linspace(0., float(SIZE), SIZE, endpoint=True, dtype=np.float64))
print(np.linspace(0., float(SIZE), SIZE, endpoint=False, dtype=np.float64))
现在的区别非常明显。通过更改端点，可以更改值的边界，因此可以更改步长，也可以更改所有值。
[0. 1. 2. 3.]
[0. 1.33333333 2.66666667 4.]
[0. 1. 2. 3.]
所以正弦给出不同的输出。
我认为简短的答案是您希望numpy.sin接受degrees中的角度作为参数，但是文档指定它接受radians。
看起来数字正在按预期方式绘制。可视化所有三个图（即test1，test2和test3）的一种方法是使用子图：
import numpy as np
import matplotlib.pyplot as plt
test1 = np.sin(50.*2.*np.pi*np.arange(0., 512., dtype=np.float64))
test2 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=True, dtype=np.float64))
test3 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=False, dtype=np.float64))
fig, axs = plt.subplots(3, sharex=True, sharey=True, gridspec_kw={'hspace': 0})
axs[0].plot(np.arange(0, 512), test1)
axs[1].plot(np.arange(0, 512), test2)
axs[2].plot(np.arange(0, 512), test3)
plt.show()
当您执行以下操作时：
print(f"Max of test1: {max(test1)}\nMin of test1: {min(test1)}")
print(f"Max of test2: {max(test2)}\nMin of test2: {min(test2)}")
print(f"Max of test3: {max(test3)}\nMin of test3: {min(test3)}")
输出
Max of test1: 1.4412955306804755e-11
Min of test1: -1.2978086425591747e-11
Max of test2: 0.9999952753720377
Min of test2: -0.9999952753719793
Max of test3: 1.4412955306804755e-11
Min of test3: -1.2978086425591747e-11
可能的解决方案
对我来说，这个问题看起来像图上的y限制在-1到1之间，这对于可视化test1和test3（清晰可见）而言太高了。如果要更详细地查看test1和test3（在图形上），可以执行以下操作：
test1 = np.sin(50.*2.*np.pi*np.arange(0., 512., dtype=np.float64))
test2 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=True, dtype=np.float64))
test3 = np.sin(50.*2.*np.pi*np.linspace(0., 512., 512, endpoint=False, dtype=np.float64))
fig, axs = plt.subplots(3, sharex=True, sharey=True, gridspec_kw={'hspace': 0})
axs[0].set_ylim((min(test1), max(test1)))
axs[0].plot(np.arange(0, 512), test1)
axs[1].plot(np.arange(0, 512), test2)
axs[2].set_ylim((min(test1), max(test1)))
axs[2].plot(np.arange(0, 512), test3)
plt.show()
其他说明
[documentation的numpy.sin，它作为x的参数是radians中的角度，请勿与degrees混淆。
numpy.linspace documentation要注意的另一点是
请注意，当端点为False时，步长会更改。
这里是一个简单的例子：
np.linspace(0., 512., 5, endpoint=True, dtype=np.float64)
输出
array([ 0., 128., 256., 384., 512.])
和
np.linspace(0., 512., 5, endpoint=False, dtype=np.float64)
输出
array([ 0. , 102.4, 204.8, 307.2, 409.6])
现在，如果要快速检查每个数组中最高值（即512和409.6）的numpy.sin，则>]
np.sin(409.6)输出
0.9294631796005904和
np.sin(512)输出
0.07951849401287635因此，区别。