涉及诸如float或者double这两种浮点型数据的处理时，偶尔总会有一些怪怪的现象，不知道大家注意过没，举几个常见的栗子：
条件判断超预期
System.out.println( 1f == 0.9999999f ); // 打印：false
System.out.println( 1f == 0.99999999f ); // 打印：true
数据转换超预期
float f = 1.1f;
double d = (double) f;
System.out.println(f); // 打印：1.1
System.out.println(d); // 打印：1.100000023841858
基本运算超预期
System.out.println( 0.2 + 0.7 );
// 打印：0.8999999999999999 纳尼？
数据自增超预期
float f1 = 8455263f;
for (int i = 0; i < 10; i++) {
System.out.println(f1);
f1++;
}
// 打印：8455263.0
// 打印：8455264.0
// 打印：8455265.0
// 打印：8455266.0
// 打印：8455267.0
// 打印：8455268.0
// 打印：8455269.0
// 打印：8455270.0
// 打印：8455271.0
// 打印：8455272.0
float f2 = 84552631f;
for (int i = 0; i < 10; i++) {
System.out.println(f2);
f2++;
}
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
// 打印：8.4552632E7 纳尼？不是 +1了吗？
所以说用浮点数（包括double和float）处理问题有非常多隐晦的坑在等着咱们！
分析原因出处
我们就以第一个典型现象为例来分析一下：
System.out.println( 1f == 0.99999999f );
直接用代码去比较1和0.99999999，居然打印出true！这说明了什么？这说明了计算机压根区分不出来这两个数。这是为什么呢？
深入分析
输入的这两个浮点数只是我们人类肉眼所看到的具体数值，是我们通常所理解的十进制数，但是计算机底层在计算时可不是按照十进制来计算的，学过计算机组成原理的人都知道，计算机底层最终都是基于像010100100100110011011这种0、1二进制来完成的。
将这两个十进制浮点数转化到二进制，直接给出结果（把它转换到IEEE 754 Single precision 32-bit，也就float类型对应的精度）
1.0（十进制）
↓
00111111 10000000 00000000 00000000（二进制）
↓
0x3F800000（十六进制）
0.99999999（十进制）
↓
00111111 10000000 00000000 00000000（二进制）
↓
0x3F800000（十六进制）
这两个十进制浮点数的底层二进制表示是一样的，怪不得==的判断结果返回true！
但是1f == 0.9999999f返回的结果是符合预期的，打印false，我们也把它们转换到二进制模式下看看情况：
1.0（十进制）
↓
00111111 10000000 00000000 00000000（二进制）
↓
0x3F800000（十六进制）
0.9999999（十进制）
↓
00111111 01111111 11111111 11111110（二进制）
↓
0x3F7FFFFE（十六进制）
它俩的二进制数字表示确实不一样，这是理所应当的结果。
那么为什么0.99999999的底层二进制表示竟然是：00111111 10000000 00000000 00000000呢？
这不明明是浮点数1.0的二进制表示吗？主要要分一下浮点数的精度问题了。
浮点数的精度问题！
学过 《计算机组成原理》 这门课的小伙伴应该都知道，浮点数在计算机中的存储方式遵循IEEE 754 浮点数计数标准，可以用科学计数法表示为：
只要给出：符号（S）、阶码部分（E）、尾数部分（M） 这三个维度的信息，一个浮点数的表示就完全确定下来了，所以float和double这两种浮点数在内存中的存储结构如下所示：
符号部分（S）
0-正 1-负
阶码部分（E）（指数部分）：
对于float型浮点数，指数部分8位，考虑可正可负，因此可以表示的指数范围为-127 ~ 128
对于double型浮点数，指数部分11位，考虑可正可负，因此可以表示的指数范围为-1023 ~ 1024
尾数部分（M）：
浮点数的精度是由尾数的位数来决定的：
-
对于float型浮点数，尾数部分23位，换算成十进制就是 2^23=8388608，所以十进制精度只有6 ~ 7位；
-
对于double型浮点数，尾数部分52位，换算成十进制就是 2^52 = 4503599627370496，所以十进制精度只有15 ~ 16位
对于上面的数值0.99999999f，很明显已经超过了float型浮点数据的精度范围，出问题也是在所难免的。
精度问题如何解决
涉及商品金额、交易值、货币计算等这种对精度要求很高的场景该怎么办呢？
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！
如果你觉得这些内容对你有帮助，可以扫码获取！！（备注Java获取）
总结
机会是留给有准备的人，大家在求职之前应该要明确自己的态度，熟悉求职流程，做好充分的准备，把一些可预见的事情做好。
对于应届毕业生来说，校招更适合你们，因为绝大部分都不会有工作经验，企业也不会有工作经验的需求。同时，你也不需要伪造高大上的实战经验，以此让自己的简历能够脱颖而出，反倒会让面试官有所怀疑。
你在大学时期应该明确自己的发展方向，如果你在大一就确定你以后想成为Java工程师，那就不要花太多的时间去学习其他的技术语言，高数之类的，不如好好想着如何夯实Java基础。下图涵盖了应届生乃至转行过来的小白要学习的Java内容：
请转发本文支持一下
《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！
，如果你在大一就确定你以后想成为Java工程师，那就不要花太多的时间去学习其他的技术语言，高数之类的，不如好好想着如何夯实Java基础。下图涵盖了应届生乃至转行过来的小白要学习的Java内容：
请转发本文支持一下
[外链图片转存中…(img-ItAGnNeT-1713526878554)]
[外链图片转存中…(img-SPm8pjrt-1713526878555)]
《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！
328
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
