让我详细解释一下为什么 1.0 - 0.9 在二进制中不能精确表示。
1.0 的二进制表示
1.0 在二进制中可以精确表示。它的二进制表示为:
1.0 = 1.0 (二进制)
0.9 的二进制表示
0.9 是一个无法在二进制中精确表示的小数。二进制小数是通过求和 1/2, 1/4, 1/8, 1/16, ...
等幂次表示的。对于 0.9,二进制表示需要不断近似:
0.9 ≈ 0.1110011001100110011001100110011... (二进制)
这是一个无限循环小数。
计算误差
由于计算机中浮点数的存储位数是有限的,无法存储无限位数的小数。因此,计算机会将 0.9 近似为一个有限位数的二进制小数,这就引入了误差。例如,在 IEEE 754 双精度浮点数标准下,0.9 的表示近似为:
0.9 ≈ 0.89999999999999991118... (二进制)
结果的影响
当我们计算 1.0 - 0.9
时,实际上是在用近似值进行计算:
1.0 - 0.89999999999999991118 ≈ 0.10000000000000008882
这就是为什么你会发现计算结果不是精确的 0.1,而是一个非常接近但不完全相同的值。
总结来说,浮点数的二进制表示导致了 0.9 不能被精确表示,从而在计算中引入了误差。希望这个解释清楚了为什么会有这种情况。
详细说明double=0.9的表示方式
在计算机中,double
类型用于表示双精度浮点数,遵循 IEEE 754 标准。这个标准规定了浮点数的存储和表示方法。一个 double
类型的数在内存中占用 64 位,其中包含 1 位符号位,11 位指数位,以及 52 位尾数位。
将 0.9 表示为 double
- 十进制到二进制:
如前所述,0.9 在二进制中是一个无限循环小数:
[ 0.9_{10} = 0.1110011001100110011…_2 ]
- 规范化浮点表示:
将二进制小数规范化为 (1.x) 形式,同时调整指数。例如:
[ 0.1110011001100110011…_2 = 1.1100110011001100110011…_2 \times 2^{-1} ]
- 提取尾数和指数:
尾数(Mantissa)部分为:1100110011001100110011001100110011001100110011001101
指数部分为:-1
- 偏移指数:
IEEE 754 标准中,双精度浮点数使用偏移量为 1023 的偏移指数。因此:
[ -1 + 1023 = 1022 ]
将 1022 转换为二进制:
[ 1022_{10} = 1111111110_2 ]
- 组合位串:
现在,我们可以将符号位、偏移后的指数位和尾数组合起来。
- 符号位(0 表示正数):0
- 指数位:1111111110
- 尾数位:1100110011001100110011001100110011001100110011001101
因此,0.9 在 double
类型中的二进制表示为:
[ 0 , 1111111110 , 1100110011001100110011001100110011001100110011001101 ]
总结
在计算机内部,0.9 被表示为 IEEE 754 双精度浮点数,其二进制表示在内存中具体如下:
- 符号位:0
- 指数位:1111111110(十进制的 1022)
- 尾数位:1100110011001100110011001100110011001100110011001101
当你在代码中赋值 double x = 0.9;
时,编译器会将 0.9 转换为上述的二进制表示,存储在内存中。这种表示方式因为精度限制,实际上存储的数值并不是精确的 0.9,而是一个非常接近 0.9 的数值。