在-0.和+0.之间存在的问题是浮动应该如何工作的规范(IEEE754)的一部分。在某些情况下，人们需要这种区别。例如，请参见在the docs for ^{}中链接到的文档。

值得注意的是，两个0应该比较为相等，所以np.array(-0.)==np.array(+0.)

# True

也就是说，我认为这个问题更可能与您的唯一性比较有关。例如：a = np.array([-1., -0., 0., 1.])

np.unique(a)

# array([-1., -0., 1.])

如果要将数字保留为浮点，但所有零都相同，可以使用：x = np.linspace(-2, 2, 6)

# array([-2. , -1.2, -0.4, 0.4, 1.2, 2. ])

y = x.round()

# array([-2., -1., -0., 0., 1., 2.])

y[y==0.] = 0.

# array([-2., -1., 0., 0., 1., 2.])

# or

y += 0.

# array([-2., -1., 0., 0., 1., 2.])

不过，请注意，您确实需要做这一点额外的工作，因为您正试图避免使用浮点规范。

还要注意，这不是由于舍入误差造成的。例如np.fix(np.array(-.4)).tostring().encode('hex')

# '0000000000000080'

np.fix(np.array(-0.)).tostring().encode('hex')

# '0000000000000080'

也就是说，得到的数字完全相同，但是np.fix(np.array(0.)).tostring().encode('hex')

# '0000000000000000'

是不同的。这就是为什么你的方法不起作用的原因，因为它比较的是数字的二进制表示，这对两个零是不同的。因此，我认为问题更多的是比较的方法，而不是比较浮点数的唯一性的一般思想。

各种方法的快速计时测试：data0 = np.fix(4*np.random.rand(1000000,)-2)

# [ 1. -0. 1. -0. -0. 1. 1. 0. -0. -0. .... ]

N = 100

data = np.array(data0)

print timeit.timeit("data += 0.", setup="from __main__ import np, data", number=N)

# 0.171831846237

data = np.array(data0)

print timeit.timeit("data[data==0.] = 0.", setup="from __main__ import np, data", number=N)

# 0.83500289917

data = np.array(data0)

print timeit.timeit("data.astype(np.int).astype(np.float)", setup="from __main__ import np, data", number=N)

# 0.843791007996

我同意@senderle的观点，如果您想要简单而精确的比较，并且可以使用int，那么int通常会更容易。但如果你想要独特的浮动，你也应该能够做到这一点，虽然你需要做得更仔细一点。浮动的主要问题是，可以有一些小的差异，这些差异可以从计算中引入，并且不会出现在正常的print中，但这并不是一个巨大的障碍，尤其是对于合理范围的浮动，在round, fix, rint之后。