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。
浮点数精度问题
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 Falseprint(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。
立即学习“Python免费学习笔记（深入）”；
解决方法：使用 decimal 模块进行高精度运算：
from decimal import Decimala = Decimal('0.1')
b = Decimal('0.2')
print(a + b == Decimal('0.3')) # True
比较浮点数应避免直接用==
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 mathmath.isclose(0.1 + 0.2, 0.3) # True
大数与小数混合运算的精度丢失
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 = 1e16small = 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。
浮点数的特殊值
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 mathmath.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。
