np.arange适用于明确步长且接受右边界不包含的场景，如整数序列或浮点序列中能容忍精度误差；np.linspace适用于需严格控制元素个数和端点值的场景，如绘图横轴、fft频率点等。
arange 适合用步长控制，linspace 适合用元素个数控制——选错会导致边界偏差或长度不符。
什么时候该用 np.arange？
当你明确知道起始值、终止值和步长（比如生成 0, 0.5, 1.0, ..., 9.5），且能接受“右边界不包含”这个行为时，np.arange 最直接。
- 它按
start + i * step累加生成，直到结果 ≥stop就停，所以np.arange(0, 1, 0.1)实际生成 10 个元素（0.0 到 0.9），但np.arange(0, 1.1, 0.1)可能生成 12 个（因浮点误差导致 1.1000000000000001 被纳入） - 整数场景很稳：
np.arange(0, 10, 2)→[0 2 4 6 8]；浮点场景建议配合round或改用linspace - 不要用它强制凑出固定长度数组——比如“我要 100 个点从 0 到 π”，硬算步长
np.pi / 99易引入累积误差
什么时候该用 np.linspace？
当你需要精确控制元素个数，且希望首尾端点严格落在指定值上（比如绘图横轴、FFT 频率点、插值节点），就该用 np.linspace。
- 默认包含端点：
np.linspace(0, 1, 5)→[0. 0.25 0.5 0.75 1. ]，长度恒为num参数值 -
endpoint=False可关掉右端点，此时等效于arange的“左闭右开”，但仍是按等分计算，不依赖步长累加，数值更稳定 - 对数尺度、自定义权重等需求不适用——它只做线性等分；要非线性分布得用
np.logspace或手动变换
常见翻车现场：浮点精度与边界误判
这两个函数底层处理逻辑不同，混用时容易在边界上出问题。比如想生成 [0.0, 0.1, ..., 1.0] 共 11 个点：
-
np.arange(0, 1.01, 0.1)看似合理，但 0.1 是二进制浮点近似值，累加 10 次后可能略大于 1.0，导致末尾多出一个 >1.0 的值，或少一个 -
np.linspace(0, 1, 11)严格保证首尾是 0.0 和 1.0，中间 9 个点均匀分布，无累积误差 - 用
np.allclose检查相等性，别用==；必要时加dtype=np.float64显式声明精度
性能与内存的小差异
两者都是 C 层实现，速度差异可忽略，但语义不同带来隐含开销：
-
arange内部只需算次数：ceil((stop - start) / step)，然后循环赋值，轻量 -
linspace要先算步长(stop - start) / (num - 1)（当endpoint=True），再逐元素计算，多一次除法和乘加，但现代 NumPy 优化得很好 - 真正影响性能的是后续操作——比如用
arange生成了 1000001 个点（因浮点误差多了一项），后续广播运算就比预期慢
用错函数不会报错，但会悄悄让数组长度、端点值或间隔精度偏离预期。关键不是记哪个快，而是每次写之前问一句：我真正想固定的是“步长”还是“总个数”？
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
