首页 > 文章 > python教程

Python浮点数精度与使用技巧

时间：2025-12-07 23:09:35 491浏览收藏

推广推荐

支持 PC / 移动端，安全直达

哈喽！今天心血来潮给大家带来了《Python浮点数使用注意事项》，想必大家应该对文章都不陌生吧，那么阅读本文就都不会很困难，以下内容主要涉及到，若是你正在学习文章，千万别错过这篇文章~希望能帮助到你！

浮点数因IEEE 754二进制存储导致精度误差，如0.1+0.2≠0.3；应使用decimal模块、容差比较或math.isclose()避免问题。

Python浮点数的使用注意

Python中浮点数看似简单，但在实际使用中容易因精度问题导致意外结果。了解其底层机制和常见陷阱，能有效避免计算错误。

Python的浮点数遵循IEEE 754双精度标准，这意味着它们以二进制形式存储，而很多十进制小数无法精确表示为二进制小数。

例如：

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

这类误差在金融计算或条件判断中可能引发严重问题。

解决方法：使用 decimal 模块进行高精度运算：

from decimal import Decimal
a = Decimal('0.1')
b = Decimal('0.2')
print(a + b == Decimal('0.3')) # True

由于精度误差，两个理论上相等的浮点数在计算后可能略有差异。

不要这样写：

if 0.1 + 0.2 == 0.3:
print("相等") # 实际不会执行

推荐使用容差比较：

def float_equal(a, b, tol=1e-9):
return abs(a - b) < tol

if float_equal(0.1 + 0.2, 0.3):
print("近似相等")

或者使用 math.isclose() 函数：

import math
math.isclose(0.1 + 0.2, 0.3) # True

当一个很大的数与一个很小的数相加时，小数部分可能被舍去。

例如：

large = 1e16
small = 1
print(large + small == large) # True，1 被“吃掉”了

这种现象称为“数量级吞噬”，在科学计算中需特别注意运算顺序或改用更高精度类型。

Python支持 inf（无穷）和 nan（非数字），它们有特定行为：

float('inf') # 正无穷
float('-inf') # 负无穷
float('nan') # 非数字

注意：nan 不等于任何值，包括它自己：

a = float('nan')
a == a # False

判断是否为 nan 应使用 math.isnan()：

import math
math.isnan(a) # True

基本上就这些，理解浮点数的局限性，合理选择数据类型和比较方式，能显著提升程序可靠性。

以上就是《Python浮点数精度与使用技巧》的详细内容，更多关于的资料请关注golang学习网公众号！