np.linspace(0, 10, 5)生成[0., 2.5, 5., 7.5, 10.]，因其按数量等分区间（0到10分成4段），默认包含端点且输出浮点数；而[0, 2, 4, 6, 8]是按步长递增的逻辑，属np.arange范畴。
直接用 np.linspace 就行，但得注意它默认包含端点、生成的是浮点数、且参数顺序容易和 np.arange 混淆。
为什么 np.linspace(0, 10, 5) 生成的是 [0., 2.5, 5., 7.5, 10.] 而不是 [0, 2, 4, 6, 8]？
np.linspace 的核心逻辑是「按数量切分区间」，不是「按步长递增」。它把 start 到 stop 这段距离等分成 num-1 个间隔，所以首尾必被包含。
- 参数顺序是
linspace(start, stop, num)，不是(start, step, num) - 结果默认为
float64类型，即使输入是整数 - 若要整数序列，得手动转类型，比如
np.linspace(0, 10, 5).astype(int)，但要注意四舍五入风险（如 2.5 → 2）
如何避免端点被重复计算或截断？
关键在 endpoint 参数，默认为 True。设为 False 后，stop 值不被包含，实际生成的是从 start 开始、长度为 num 的等差样本，最后一个值是 stop - (stop - start) / num。
- 例如：
np.linspace(0, 10, 4, endpoint=False)→ [0., 2.5, 5., 7.5] - 这在做 FFT 频率轴、避免 Nyquist 频率重复时很常用
- 若需严格控制步长又保留整数端点，不如改用
np.arange+np.r_组合
和 np.arange 比，什么场景必须选 linspace？
当你明确知道「要多少个点」，而不是「步长该多大」时，linspace 更可靠。浮点步长用 arange 容易因精度问题少一个元素。
- 比如：画图需要恰好 100 个横坐标点覆盖 [0, 2π] → 用
np.linspace(0, 2*np.pi, 100) - 而
np.arange(0, 2*np.pi, 2*np.pi/100)可能只生成 99 个值 -
linspace还支持retstep=True返回真实步长，方便后续计算
最常被忽略的是 dtype 和 endpoint 的组合影响：指定 dtype=int 不会改变采样逻辑，只是强制转换，可能导致首尾偏差；真要整数等差，先用 linspace 生成再 round().astype(int)，但务必验证边界。
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！
