Python 浮点数精度 “陷阱”，四大法宝带你突围

Python 浮点数精度 “陷阱”，四大法宝带你突围

一、浮点数精度问题大揭秘

在Python编程的奇妙世界里，我们常常会遇到一些让人摸不着头脑的现象。比如，当我们执行下面这段简单的代码时：

print(0.1 + 0.2 == 0.3)  # 输出: False
print(0.1 + 0.2)         # 输出: 0.30000000000000004

本以为 0.1 + 0.2 理所应当等于 0.3，可结果却让我们大跌眼镜。这背后的原因在于计算机处理小数的方式。计算机使用二进制浮点数来表示小数，然而像 0.1 和 0.2 这样的十进制数，在二进制中却是无限循环小数。由于计算机的存储空间有限，只能存储它们的近似值，这就导致了精度的丢失。这种精度问题在简单的计算中可能看似微不足道，但在一些对精度要求极高的场景，如金融计算、科学实验等，却可能引发严重的后果。

二、法宝一：倍数放大变身法

原理剖析

这个方法的核心思想就像是给浮点数施了一个魔法，让它们“变身”为整数进行运算。通过将浮点数乘以一个合适的倍数，把小数部分转换为整数部分，然后进行整数运算。因为整数运算在计算机中是精确的，这样就避免了二进制精度问题的干扰。运算完成后，再将结果除以相同的倍数，还原成原来的浮点数形式。

代码实战

def float_to_int(x, precision=4):
    """将浮点数按指定精度放大为整数"""
    return int(round(x * 10**precision))

# 示例：计算 0.1 + 0.2
scale = 10**4  # 保留4位小数精度
a = float_to_int(0.1, 4)
b = float_to_int(0.2, 4)
result = (a + b) / scale
print(result ==