揭开浮点数的谜团：陷阱、破解之道与测试要点

浮点数在计算机内部表示中，小数点的位置是可变的，也就是说，小数点可以"浮动"在有效数字中的任意位置，因此得名。那么，在计算机表示中，它的小数点数如何“浮动”的呢，一起来看看浮点数是如何表示的。

最常用的浮点数表示方法是IEEE754，它是一种计算机浮点数算术标准，定义了浮点数的表示方法和浮点数运算规则。IEEE754标准规定了两种浮点数格式：单精度浮点数（32位）和双精度浮点数（64位），分别用于表示单精度和双精度实数。

十进制转二进制

首先，我们要知道常用的十进制，在二进制的计算机世界中是怎样的。

十进制的正数部分和小数部分转换为二进制的方法是不一样的，十进制整数转二进制使用的是除2取余数法，十进制小数转二进制用的是乘2取整法。

我们举例说明一下，以十进制数8.625为例：

◆整数部分：将整数部分8转化为二进制，可以使用除2取余数法：

8除以2，商为4，余数为0，

将商4再次除以2，商为2，余数为0

将商2再次除以2，商为1，余数为0

将商1再次除以2，商为0，余数为1。

将以上得到的余数按倒序连接起来，得到整数部分的二进制表示为：1000

◆小数部分：将小数部分0.625转化为二进制，可以使用乘2取整法：

0.625 * 2 = 1.25，整数部分为1

剩余小数部分为0.25。0.25 * 2 = 0.5，整数部分为0

剩余小数部分为0.5。0.5 * 2 = 1.0，整数部分为1

剩余小数部分为0。

将以上得到的整数部分按顺序连接起来，得到小数部分的二进制表示为：101

综上，8.625的二进制表示为：1000.101

单精度浮点数

在IEEE 754 中单精度浮点数（32位）被拆成三个部分，分别是sign、exponent 跟fraction，加起来总共是32 个bit。下面以浮点数0.15625为例，看一下单精度浮点数的表示。

首先，需要将0.15625转化为二进制表示为0.00101，其规格化（类似于十进制科学计数法）表示为1.01 x 2^(-3)。

在分别看一下单精度浮点数三个部分的内容：

sign：即符号位，最左侧的1 bit 代表正负号，正数的话sign 就为0，反之则是 1

exponent：即阶码，中间的8 bit 代表规格化后的次方数，采用的是 超127格式，也就是-3 还要加上127 = 124，转化为二进制为1111100；整数前面补零不会影响整数的值，则不足8位时在前面补零，即为01111100。

fraction：即尾数，最右侧的23 bit 放的是小数部分，以1.01 来说就是去掉1. 之后的01。小数后面补零不影响小数的值，则尾数位不足23位在后面补零, 即为01000000000000000000000。

十进制数0.15625表示成单精度浮点数就如下图所示：

双精度浮点数

单精度浮点数只用了32 bit 来表示，为了让误差更小，提高精准度，IEEE 754 也定义了如何用64 bit 来表示浮点数，即双精度浮点数。跟32 bit 比起来尾数 部分大了超过两倍，从23 bit 变成52 bit，对比如下图所示：

双精度浮点数相对于单精度浮点数，指数位数的增加提供了更大的指数范围，可以表示更大和更小的数值，尾数位数的增加使得双精度浮点数可以提供更高的精度，能够表示更多的有效数字位数。

双精度浮点数的表示与单精度浮点数类似，就不在赘述了。

上文中介绍了浮点数的表示方法，因为其此种表示方法，浮点数在实际应用中也存在了一些问题，下面介绍下浮点数常见的问题。

精度问题

我们先看一个在实际业务场景中出现的浮点数问题举例：

业务逻辑上会把用户填写的数字进行*100的操作，如果填写2.2，传入的参数就会变成220，如下图所示，传入的参数并不是预期的220，因为后端解析不了这种非整数，就会导致数据提交报错，但是如果填写的是2.5，就不会有问题。

下面来探究一下原因：

首先看一下填写的十进制数2.2 的二进制表示：10.0011001100110011001100110011001100110011001100110011...是一个无限循环的二进制小数。那么，它也就没办法表示为一个精确的浮点数，这个不精确的浮点数在进行乘法运算后，再转化为十进制，这个过程中，误差会累积变大，最终2.2乘以100得到的结果是220.00000000000003，而不是精确的220。

但是，十进制数2.5 的二进制表示为10.1，是一个正常的二进制小数，因此它可以表示为一个精确的浮点数，经过乘法运算和十进制转化，仍是精确的250，就不会出现上述问题。

这个问题就是浮点数最常见的问题之一的精度问题，根本原因是浮点数表示的精度有限，无法精确表示所有实数，某些十进制数可能无法准确表示为有限位数的浮点数。

舍入误差

前面的例子中有提到2.2的二进制表示是无限循环的，由于浮点数的尾数部分有限，转换为浮点数时就会产生舍入误差，这个也是引起上面问题的原因之一。

比较问题

由于舍入误差，浮点数的比较操作可能会产生意外的结果，在某些情况下，两个看似相等的浮点数进行比较可能得到不相等的结果。比如下面这个实际项目中的例子：

页面展示的数据计算的可开票金额=51,496.64，填写该金额后，校验不通过，系统提示“不能大于可开票金额"，无法提交开票申请。

接口返回的数据如下图所示，并不是计算得出的预期结果51,496.64，因此导致前端填写的数据与此数值比较时，无法验证通过。

溢出问题

我们上文中介绍浮点数表示说过，浮点数是有表示范围的，浮点数溢出就是指在浮点数计算中，结果超过了浮点数类型所能表示的范围。

不可结合性

浮点数的加法和乘法不满足结合律，因为舍入误差可能会导致不同的计算顺序得到不同的结果。如：a、b 和 c 是浮点数，(a + b) + c 和 a + (b + c) 的结果可能不相等。

介绍了浮点数的存在的一些问题后，我们再来看看在实际项目中，解决这些问题的一些常用的方案。

使用高精度数据类型

对于需要更高精度的计算，可以使用高精度数据类型，比如现在普遍使用的decimal，他是一种用于精确表示和计算十进制数的数据类型。

相较于其他浮点数类型（如 float 和 double），decimal 具有以下特点：

●高精度：decimal 使用固定的位数来表示数值，通常以小数点后的位数来衡量。这使得 decimal 能够提供更高的精确性和准确性。

●四舍五入：decimal 使用舍入规则，确保计算结果在保留有效位数的同时进行四舍五入，从而减少舍入误差。

●不受二进制表示误差影响：由于 decimal 使用十进制表示，而不是二进制，因此不会受到二进制浮点数表示误差的影响，提供更准确的结果。

●更广的数值范围：相较于其他浮点数类型，decimal 可以表示更广范围的数值，可以处理较大或较小的数值，同时保持精确性

在许多编程语言中，例如 C#、Java 和 Python，都提供了decimal 数据类型或相关的库或模块，用于处理需要高精度计算的场景。

尽管 decimal 数据类型在处理精确计算方面具有优势，但也存在一些缺点：内存占用较大、运算速度较慢、不适用于所有场景、不同编程语言和平台的兼容性问题等，在选择是否使用decimal 数据类型时，需要权衡精度要求、计算性能和内存消耗，并结合具体的应用场景进行使用。

转化为整型运算

将浮点数乘以一个较大的倍数，然后转换为整型进行运算。在得到最终结果后，再除以相应的倍数来恢复精度。这样可以在整型范围内进行计算，并减少精度损失。

使用高精度数值库

某些编程语言提供了高精度数值库，如Python的decimal模块或Java的BigDecimal类。这些库可以提供更高的精度和控制，用于处理需要精确计算的场景。

总结了一下常用的测试点如下图所示，用于验证浮点数的不同场景下的处理逻辑，包括精度、边界情况和特殊值处理。

通过针对这些测试内容进行测试，希望可以帮助大家发现浮点数在不同情况下可能出现的问题，如精度损失、溢出、不可结合性等。有助于优化浮点数的处理逻辑，改进算法的准确性和效率，并确保浮点数在实际应用中得到正确处理。