注意！这些JavaScript浮点数陷阱了解一下，千万别踩

众所周知，JavaScript 浮点数运算时经常遇到会 0.000000001 和 0.999999999 这样奇怪的结果，如 0.1+0.2=0.30000000000000004、1-0.9=0.09999999999999998，很多人知道这是浮点数误差问题，但具体就说不清楚了。课呱呱帮你理清这背后的原理以及解决方案，还会向你解释js中的大数危机和四则运算中会遇到的坑。

       

一、浮点数的存储

       首先要搞清楚JavaScript 如何存储小数。和其它语言如 Java 和 Python 不同，JavaScript 中所有数字包括整数和小数都只有一种类型 — Number。它的实现遵循 IEEE 754 标准，使用 64 位固定长度来表示，也就是标准的 double 双精度浮点数（相关的还有float 32位单精度）。计算机组成原理中有过详细介绍，如果你不记得也没关系。这样的存储结构优点是可以归一化处理整数和小数，节省存储空间。64位比特又可分为三个部分：

 

  l 符号位S：第 1 位是正负数符号位（sign），0代表正数，1代表负数

  l 指数位E：中间的 11 位存储指数（exponent），用来表示次方数

 

  l 尾数位M：最后的 52 位是尾数（mantissa），超出的部分自动进一舍零l 尾数位M：最后的 52 位是尾数（mantissa），超出的部分自动进一舍零

       

       实际数字就可以用以下公式来计算：

       

       所以4.5 最终表示为（M=001、E=1025）：

       

       下面再以0.1 例解释浮点误差的原因， 0.1 转成二进制表示为 0.0001100110011001100(1100循环)，1.100110011001100x2^-4，所以 E=-4+1023=1019；M 舍去首位的1，得到 100110011...。最终就是：

       

       转化成十进制后为0.100000000000000005551115123126，因此就出现了浮点误差。

 

       为什么0.1+0.2=0.30000000000000004？

       计算步骤为：

       

       为什么x=0.1 能得到 0.1？

 

 

       恭喜你到了看山不是山的境界。因为mantissa 固定长度是 52 位，再加上省略的一位，最多可以表示的数是 2^53=9007199254740992，对应科学计数尾数是 9.007199254740992，这也是 js 最多能表示的精度。它的长度是 16，所以可以使用 toPrecision(16) 来做精度运算，超过的精度会自动做凑整处理。于是就有：：

       

二、大数危机

 

       可能你已经隐约感觉到了，如果整数大于9007199254740992 会出现什么情况呢？由于 E 最大值是 1023，所以最大可以表示的整数是 2^1024 - 1，这就是能表示的最大整数。但你并不能这样计算这个数字，因为从 2^1024 开始就变成了 Infinity。

 

 

       

       那么对于(2^53, 2^63) 之间的数会出现什么情况呢？

  l (2^53, 2^54) 之间的数会两个选一个，只能精确表示偶数

  l (2^54, 2^55) 之间的数会四个选一个，只能精确表示4个倍数

  l ... 依次跳过更多2的倍数

       下面这张图能很好的表示JavaScript 中浮点数和实数（Real Number）之间的对应关系。我们常用的 (-2^53, 2^53) 只是最中间非常小的一部分，越往两边越稀疏越不精确。

        

       在淘宝早期的订单系统中把订单号当作数字处理，后来随意订单号暴增，已经超过了9007199254740992，最终的解法是把订单号改成字符串处理。

 

       要想解决大数的问题你可以引用第三方库bignumber.js，原理是把所有数字当作字符串，重新实现了计算逻辑，缺点是性能比原生的差很多。所以原生支持大数就很有必要了，现在 TC39 已经有一个 Stage 3 的提案 proposal bigint，大数问题有问彻底解决。

toPrecision vs toFixed

       数据处理时，这两个函数很容易混淆。它们的共同点是把数字转成字符串供展示使用。注意在计算的中间过程不要使用，只用于最终结果。

       不同点就需要注意一下：

  l toPrecision 是处理精度，精度是从左至右第一个不为0的数开始数起。

  l toFixed 是小数点后指定位数取整，从小数点开始数起。

       两者都能对多余数字做凑整处理，也有些人用toFixed 来做四舍五入，但一定要知道它是有 Bug 的。

       如：1.005.toFixed(2) 返回的是 1.00 而不是 1.01。

       原因：1.005 实际对应的数字是 1.00499999999999989，在四舍五入时全部被舍去！

       解法：使用专业的四舍五入函数Math.round() 来处理。但 Math.round(1.005 * 100) / 100 还是不行，因为 1.005 * 100 = 100.49999999999999。还需要把乘法和除法精度误差都解决后再使用 Math.round。可以使用后面介绍的 number-precision#round 方法来解决。

       解决方案

       回到最关心的问题：如何解决浮点误差。首先，理论上用有限的空间来存储无限的小数是不可能保证精确的，但我们可以处理一下得到我们期望的结果。

       数据展示类

       当你拿到1.4000000000000001 这样的数据要展示时，建议使用 toPrecision 凑整并 parseFloat 转成数字后再显示，如下：

三、数据展示类

 

       当你拿到1.4000000000000001 这样的数据要展示时，建议使用 toPrecision 凑整并 parseFloat 转成数字后再显示，如下：

 

       

       封装成方法就是：

       

       为什么选择12 做为默认精度？这是一个经验的选择，一般选12就能解决掉大部分0001和0009问题，而且大部分情况下也够用了，如果你需要更精确可以调高。

 

四、数据运算类

       对于运算类操作，如+-*/，就不能使用 toPrecision 了。正确的做法是 把小数转成整数后再运算。以加法为例：

       

        以上方法能适用于大部分场景。遇到科学计数法如2.3e+1（当数字精度大于21时，数字会强制转为科学计数法形式显示）时还需要特别处理一下。能读到这里，说明你非常有耐心，

原文链接：http://consult.kguagua.com/pc/6016ded601364b49aedc94dd18cc26de.html?id=94