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：
Ztoy网络商铺多用户版
下载
在原版的基础上做了一下修正：增加1st在线支付功能与论坛用户数据结合，vip也可与论坛相关，增加互动性vip会员的全面修正评论没有提交正文的问题特价商品的调用连接问题删掉了2个木马文件去掉了一个后门补了SQL注入补了一个过滤漏洞浮动价不能删除的问题不能够搜索问题收藏时放入购物车时出错点放入购物车弹出2个窗口修正定单不能删除问题VIP出错问题主题添加问题商家注册页导航连接问题添加了导航FLASH源文
return abs(a - b)
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。
