为什么0.1加0.2不一定等于0.3：浮点数精度原理与正确用法

在很多编程语言中执行下面的代码：

print(0.1 + 0.2)

得到的结果可能是：

0.30000000000000004

继续比较：

print(0.1 + 0.2 == 0.3)

结果可能是：

False

这并不是计算机连简单加法都算不对，也不是某种编程语言存在缺陷，而是浮点数表示方式带来的正常现象。

计算机通常使用有限位二进制保存小数，而许多十进制小数无法被有限位二进制精确表示。程序只能保存一个非常接近原值的近似数，计算后误差就可能显示出来。

一、十进制小数为什么能精确表示0.1

在十进制中：

0.1 = 1 ÷ 10

它只需要一位小数就能准确表示。

但不是所有分数都能用有限位十进制表示。例如：

1 ÷ 3 = 0.333333……

小数部分会无限循环。

一个最简分数能否在十进制中有限结束，取决于其分母是否只包含2和5这两类质因数。

例如：

1 ÷ 2 = 0.5
1 ÷ 4 = 0.25
1 ÷ 5 = 0.2
1 ÷ 10 = 0.1

这些分母最终都可以分解成2和5的乘积，因此能用有限位十进制表示。

而：

1 ÷ 3
1 ÷ 7

不能用有限位十进制精确表示。

二、二进制也有无法有限表示的小数

计算机通常使用二进制保存浮点数。

二进制小数每一位表示的是：

1/2、1/4、1/8、1/16……

例如：

0.1₂ = 1/2
0.01₂ = 1/4
0.001₂ = 1/8

十进制的0.5可以精确表示为：

0.1₂

十进制的0.25可以表示为：

0.01₂

十进制的0.125可以表示为：

0.001₂

但十进制0.1对应分数：

1/10

分母包含质因数5，而二进制有限小数只能精确表示分母为2的幂的分数。

因此，十进制0.1转换成二进制后会成为无限循环小数，只能截取或舍入到有限位：

0.00011001100110011……

这和十进制无法有限表示三分之一是同一种问题，只是使用的进位制不同。

三、计算机实际保存的并不是0.1

当程序写下：

value = 0.1

如果使用常见二进制浮点类型，计算机保存的通常不是数学意义上精确的0.1，而是最接近0.1的可表示值。

可以把它理解成：

希望保存：0.1
实际保存：0.100000000000000005……

同样，0.2和0.3也可能分别被保存成略大或略小的近似值。

执行加法时，计算机相加的是这些近似值，而不是纸面上的精确十进制数。

因此：

0.1的近似值
+ 0.2的近似值
= 0.30000000000000004附近

而单独写下的0.3又会被转换成另一个最接近0.3的浮点数。两边的最终位模式不完全相同，直接比较就可能得到不相等。

四、浮点数为什么叫“浮点”

定点数会预先约定小数点位置。

例如，使用整数保存金额，并规定最后两位表示小数：

1999 → 19.99元

小数点位置固定，所以称为定点。

浮点数则类似科学计数法：

1.2345 × 10³

数字由有效部分和指数共同表示，小数点可以随指数移动，因此称为浮点数。

在二进制中，可以表示为：

有效数字 × 2的指数次方

这种方式能够同时表示非常大和非常小的数，但只能保留有限数量的有效数字。

五、IEEE 754浮点数的基本结构

现代计算机通常采用IEEE 754浮点标准。

一个二进制浮点数主要由三部分组成：

符号位
指数
尾数或有效数字部分

对于常见的32位单精度浮点数：

1位符号
8位指数
23位小数部分

对于常见的64位双精度浮点数：

1位符号
11位指数
52位小数部分

由于规格化表示通常隐含一个最高有效位，双精度浮点数实际上拥有约53位二进制有效精度。

它大约能够提供15到16位十进制有效数字，但这并不意味着小数点后固定有15位可靠数字。

精度描述的是整体有效数字数量，而不是固定的小数位数。

六、float和double有什么区别

许多语言提供两种常见浮点类型。

float

通常是32位单精度浮点数。

它大约提供：

6到7位十进制有效数字

适合：

• 图形渲染；
• 对精度要求不高的传感器数据；
• 大规模数组；
• 需要节省内存的计算。

double

通常是64位双精度浮点数。

它大约提供：

15到16位十进制有效数字

适合：

• 通用科学计算；
• 统计分析；
• 大多数工程计算；
• 需要更高数值稳定性的场景。

double精度更高，但仍然是有限精度的二进制浮点数，依然不能精确表示0.1这类十进制小数。

七、显示正常不代表内部精确

程序执行：

print(0.1)

通常只显示：

0.1

这是因为输出函数会选择一种更适合人阅读的格式，并隐藏无意义的多余数字。

内部保存值仍然可能是：

0.100000000000000005……

如果使用更高精度格式输出，就可能看到近似值：

print(format(0.1, ".20f"))

可能显示：

0.10000000000000000555

因此：

显示为0.1

并不代表：

内存中保存的是数学上精确的0.1

格式化只能改变显示方式，不能提高已经存储的数据精度。

八、浮点数为什么不满足结合律

在数学中：

(a + b) + c = a + (b + c)

但浮点计算每一步都可能发生舍入，所以不同计算顺序可能得到不同结果。

假设：

a = 一个非常大的数
b = 一个较小的数
c = a的相反数

计算：

(a + b) + c

时，b可能因为相对于a太小而在第一次加法中被舍弃，结果接近0。

而计算：

a + (b + c)

时，中间值和舍入路径不同，结果可能保留b的一部分。

因此，在并行计算中，即使输入相同，只要求和顺序发生变化，最后几位也可能不同。

这也是为什么科学计算中不能总是假设不同硬件、线程数和执行顺序会产生完全一致的最后一位结果。

九、什么是灾难性消减

两个非常接近的浮点数相减时，前面的有效数字会大量抵消，剩余结果可能只保留原误差。

例如：

1.23456789
- 1.23456788

理论结果很小。

如果两个输入本身已经包含舍入误差，相减后，有效信息可能大幅减少。这种现象称为灾难性消减。

它常见于：

• 数值微分；
• 统计方差计算；
• 求解方程；
• 几何运算；
• 信号处理；
• 大数之间的小差值。

解决这类问题通常需要重新组织公式，而不只是换成更多小数位输出。

十、浮点误差会不会不断累积

会，但具体程度取决于算法。

例如，连续一百万次累加一个不能精确表示的小数，舍入误差可能逐步积累：

total = 0.0

for _ in range(1000000):
    total += 0.1

结果可能与理论值存在微小差异。

改善方法包括：

• 使用更高精度类型；
• 改变求和顺序；
• 先累加绝对值较小的数；
• 使用补偿求和算法；
• 使用定点或十进制类型；
• 减少不必要的重复运算。

误差是否可以接受，需要结合业务量级和允许偏差判断。

十一、为什么不能直接用等号比较浮点数

下面的比较可能失败：

if 0.1 + 0.2 == 0.3:
    print("相等")

因为两边的实际浮点表示可能不同。

更常见的方式是判断差值是否足够小：

a = 0.1 + 0.2
b = 0.3

if abs(a - b) < 1e-9:
    print("近似相等")

这里比较的不是绝对相等，而是：

两者误差是否处于业务允许范围内

十二、为什么只用固定绝对误差还不够

假设统一使用：

允许误差 = 0.000001

比较两个接近零的数时，这个误差可能太大；比较两个数十亿量级的数时，它又可能太小。

更加稳妥的方式是同时考虑绝对误差和相对误差：

|a - b| ≤ 最大值(
    绝对误差,
    相对误差 × max(|a|, |b|)
)

其中：

• 绝对误差适合处理接近零的情况；
• 相对误差根据数值规模调整容忍范围。

Python可以使用：

import math

math.isclose(
    a,
    b,
    rel_tol=1e-9,
    abs_tol=1e-12
)

容差不应随意复制，而应该根据数据范围、测量精度和业务要求确定。

十三、钱为什么不适合直接使用二进制浮点数

金额通常要求明确的小数位和舍入规则。

例如：

19.90元

如果用二进制浮点数保存，19.90可能只是一个近似值。大量金额相加、税费计算和折扣计算后，可能出现分币误差。

金融和账务系统通常采用以下方式。

方法一：使用最小货币单位的整数

例如，用“分”保存金额：

19.90元 → 1990分

加减运算全部使用整数：

1990 + 500 = 2490分

整数运算在范围允许时是精确的。

不过，需要提前明确：

• 最小货币单位；
• 是否存在比分更小的计算单位；
• 汇率计算精度；
• 税费中间值保留规则；
• 最终舍入方式。

方法二：使用十进制定点类型

数据库中的DECIMAL以及编程语言中的高精度十进制类型，可以按照十进制规则保存和计算金额。

它们更符合人类账务习惯，但运算速度和存储成本可能高于硬件原生浮点数。

金额计算首先需要正确，其次才是追求微小性能差异。

十四、创建十进制数时也可能引入浮点误差

即使使用十进制类型，如果先经过二进制浮点数，误差也可能已经进入。

例如：

from decimal import Decimal

value = Decimal(0.1)

这里的0.1可能先被解释为二进制浮点数，再转换成十进制对象，因此可能保留原来的近似值。

更合适的方式是从字符串创建：

value = Decimal("0.1")

字符串准确表达了十进制文本“0.1”，不会先经过二进制浮点转换。

十五、数据库中的FLOAT和DECIMAL有什么区别

FLOAT或REAL类类型

通常使用二进制浮点表示。

适合：

• 科学测量；
• 统计数据；
• 允许近似的数据；
• 数值范围很大的数据。

DECIMAL或NUMERIC类类型

通常按照指定十进制精度保存。

例如：

DECIMAL(10, 2)

可以用于最多10位有效数字，其中2位位于小数点后。

适合：

• 金额；
• 税率；
• 账务数据；
• 需要精确十进制舍入的数据。

不要因为字段中“有小数”，就默认使用浮点类型。应该先判断业务需要近似计算还是精确十进制计算。

十六、整数也有精度上限

使用浮点数保存整数时，同样存在限制。

双精度浮点数能够精确表示一定范围内的所有整数，但超过某个范围后，相邻整数之间可能没有对应的浮点值。

对于常见双精度浮点数，整数在绝对值不超过：

2⁵³

时通常可以精确表示。

超过这个范围后，可能出现：

一个整数

和：

下一个整数

被转换成同一个浮点值。

因此，大型整数编号、时间戳、订单号和数据库主键不应随意转换为浮点数。

一些使用双精度浮点数表示普通数字的运行环境，在处理超大整数编号时尤其需要注意。可以使用字符串或专门的大整数类型传递。

十七、NaN是什么

浮点标准还定义了一种特殊值：

NaN

表示“不是一个数”。

它可能来自：

• 无效数学运算；
• 未定义结果；
• 缺失或异常数值；
• 某些计算函数失败。

NaN具有一个反直觉特性：

NaN通常不等于它自己

因此，不能总是使用：

value == value

之外的普通相等逻辑判断NaN。更清晰的方式是使用语言提供的专门检测函数。

NaN进入统计数据后，可能让整个计算结果也变成NaN，因此需要在数据清洗阶段明确处理。

十八、正无穷和负无穷

浮点数还可以表示：

正无穷
负无穷

它们可能由数值溢出或某些除法产生。

无穷不一定立即导致程序崩溃，反而可能继续参与后续计算，使错误传播得更远。

对于关键计算，应检查结果是否为有限数，而不能只判断程序有没有抛出异常。

十九、负零是什么

浮点数通常区分：

+0
-0

它们在大多数相等比较中被视为相等，但在某些运算中可能产生不同结果。

例如，它们可能携带数值从正方向还是负方向趋近于零的信息。

普通业务程序很少需要主动处理负零，但在数值分析、复数计算和底层数学库中，它可能具有意义。

二十、舍入方式为什么重要

现实业务中经常需要将结果保留到固定小数位，例如金额保留两位。

但“保留两位”仍然需要说明具体舍入规则：

• 四舍五入；
• 向零截断；
• 向上取整；
• 向下取整；
• 五舍六入；
• 遇到正中间值时取偶数；
• 针对正负数采用不同规则。

不同语言的默认round函数可能采用不同策略，或者受到二进制近似值影响。

例如，看似正好处于中间位置的十进制数，在浮点表示中可能略高或略低于中点，因此结果与人工直觉不同。

财务计算必须明确舍入规则，并在所有系统中保持一致。

二十一、传感器数据是否需要精确相等

测量数据本身通常包含：

• 传感器误差；
• ADC量化误差；
• 温度漂移；
• 电源噪声；
• 标定误差；
• 浮点计算误差。

因此，判断电压是否等于某个值时，不应写成：

if (voltage == 5.0) {
    // ...
}

更合理的是根据硬件精度设置容差范围：

if (voltage >= 4.95 && voltage <= 5.05) {
    // 认为处于5V允许范围
}

这里的容差应该来自：

• 规格要求；
• 测量系统精度；
• 元器件误差；
• 控制系统稳定性；
• 安全余量。

浮点误差通常只是整体误差预算中的一部分。

二十二、控制系统中为什么需要滞回

如果控制逻辑以单一阈值判断：

电压高于10V：打开
电压低于10V：关闭

当测量值在10V附近波动时，状态可能频繁切换：

9.999
10.001
9.998
10.002

这不仅与浮点误差有关，也与实际信号噪声有关。

可以使用滞回区间：

高于10.1V时打开
低于9.9V时关闭

这样，状态不会因为阈值附近的微小波动反复变化。

因此，工程控制中不能只关注浮点表示，还要结合测量噪声和系统动态设计阈值。

二十三、如何降低求和误差

1. 使用更高精度类型

从单精度改为双精度，可以显著降低舍入误差，但不能完全消除。

2. 从小到大求和

把绝对值较小的数先相加，可以减少小数被大数“吞掉”的情况。

3. 使用补偿求和

补偿求和算法会额外记录部分舍入损失，并在后续运算中进行修正。

4. 分块求和

将大量数据分成多个小块，分别求和后再合并，通常比从头到尾顺序累加更稳定。

5. 使用整数或十进制类型

如果业务数据本质上具有固定小数位，定点表示可能比二进制浮点更加合适。

6. 重新设计公式

一些数学上等价的公式，在浮点计算中的稳定性可能完全不同。避免相近大数相减，常常比增加输出小数位更有效。

二十四、什么时候可以直接比较浮点数

并不是所有浮点数都不能使用==。

以下情况可能是合理的：

• 与自己刚刚赋值的同一浮点值比较；
• 比较约定的特殊离散值；
• 参与计算的数都能被二进制精确表示；
• 判断某个变量是否被设置为确定的状态值；
• 底层算法明确要求比较位级结果。

例如：

0.5
0.25
0.125

都能被二进制有限表示，一些简单计算可以得到精确结果。

问题不在于==这个操作本身，而在于开发者是否理解参与比较的数据来源和误差范围。

二十五、浮点数适合什么场景

浮点数非常适合：

• 科学计算；
• 机器学习；
• 图像处理；
• 三维图形；
• 信号处理；
• 物理仿真；
• 统计分析；
• 传感器数据；
• 大范围近似数值。

这些场景通常更关注：

• 数值范围；
• 计算速度；
• 相对精度；
• 误差是否可控。

浮点数不是“不准确所以不能用”，而是在有限存储和高速计算之间做出的工程选择。

二十六、不适合直接使用二进制浮点的场景

需要谨慎的场景包括：

• 金额；
• 税费；
• 账户余额；
• 精确计数；
• 超大整数编号；
• 密码学整数运算；
• 法律或合同规定的小数舍入；
• 需要逐位完全一致的跨系统结果。

这些场景更适合：

• 整数；
• 定点数；
• 十进制类型；
• 大整数；
• 专门的高精度数值库。

二十七、常见误区

1. 计算结果出现长小数就是程序错误

这通常只是浮点近似值被完整显示出来。

2. double可以精确表示所有小数

double比float精度高，但仍然不能精确表示大量十进制小数。

3. 多保留几位小数就能解决误差

格式化只改变显示结果，不会修复内部计算误差。

4. 所有浮点比较都不能使用等号

是否能够直接比较取决于数据来源和算法语义。

5. 使用一个固定极小值比较所有浮点数

不同数量级需要结合绝对误差和相对误差。

6. 金额使用double后最后统一四舍五入就一定安全

中间步骤、税费分摊和累计误差仍然可能造成不一致。

7. 运算顺序不会影响结果

浮点加法和乘法在实际计算中不一定满足数学上的结合律。

二十八、浮点计算检查清单

设计数值计算时，可以检查以下问题：

• 数据需要精确值还是近似值；
• 数据范围有多大；
• 允许误差是多少；
• 应该使用float还是double；
• 是否更适合使用整数或十进制类型；
• 是否直接比较了计算结果；
• 比较容差是否考虑数值规模；
• 是否存在大量重复累加；
• 是否有相近大数相减；
• 运算顺序是否影响结果；
• 是否明确舍入规则；
• 数据库字段类型是否合适；
• 超大整数是否被转换成浮点数；
• 是否正确处理NaN和无穷；
• 传感器阈值是否考虑测量误差和滞回；
• 单元测试是否覆盖边界值和极端值。

结语

0.1 + 0.2不一定等于0.3，根本原因是：

十进制0.1和0.2
→ 无法用有限位二进制精确表示
→ 只能保存邻近值
→ 运算过程中再次舍入
→ 最终结果出现微小误差

浮点数不是错误的数字类型，而是一种能够用有限空间表示巨大数值范围的近似计算工具。

正确使用浮点数的关键，不是追求绝对没有误差，而是：

• 知道误差从哪里产生；
• 根据业务定义允许误差；
• 避免直接比较不稳定结果；
• 为金额选择整数或十进制类型；
• 为科学与工程计算选择数值稳定的算法；
• 明确精度、范围和性能之间的取舍。

计算机并没有算错，它只是按照有限位二进制所能表达的最近数值完成了计算。