为什么0.2 + 0.1 ≠ 0.3：一文彻底搞懂浮点数float和double

Java的基本数据类型中，有一类“不靠谱”的数据类型：浮点数。

先来领教下浮点数的不靠谱，对于下面的计算题：

0.2 + 0.1 = ？

对于这样一个小学三年级的学生100%的能给出正确答案的题目，看看计算机给出的答案是多少：

如图，答案是0.30000000000000004。

这究竟是怎么一回事呢？

本文将彻底解开这个疑团。

一、浮点数的存储原理

1，什么是浮点数

顾名思义，浮点数就是小数点可以浮动的数，是计算机表示数据的方式。

要了解浮点数，先回忆下科学计数法，数字3140，可以有如下多种表示方法：

同一个数，有不同的表示方法，区别在于小数点的位置不一样，整数和小数部分是可变的，指数也随之改变，非常灵活。

浮点数就是用二进制的科学计数法表示的数字。

以小数112.5为例，用十进制科学计数法可以表示为：

计算机是如何用浮点数存储这个数字的呢？

• 先将这个数转换为二进制表示的数字：

• 将这个二进制1110000.1用科学计数法表示：
  
• 计算机将其化为三部分进行存储：

• 阶码E(如上图的指数6)
• 尾数M(如上图的小数点后面的1100001)
• 符号位S(正数为0，负数为1)

单精度浮点数的存储格式为：

• S=0
• E=10000101
• M=1100001

双精度浮点数的存储格式为：

• S=0
• E=10000000101
• M=1100001
  

细心的同学会发现两个细节：

• ①单精度存储的阶码10000101是133，不是6，原因是单精度的阶码是在指数的基础上加了偏移量127。同理，双精度的阶码也会加上偏移量，不过偏移量是1023
• ②有效数字的整数1不会被存储，即1.1100001的整数部分不会被存储，只会存储小数部分，这是因为所有浮点数的整数部分都是1，可以省略，但在运算过程中会加上

2，精度损失

由上可知，单精度最多23位尾数，双精度最多52位尾数，无法精确表示所有实数，对于尾数超出23位或者52位的二进制数，必须进行舍入处理。这一步骤就引入了精度损失的源头。

到这里，就搞清楚了浮点数在计算机中的存储格式，我们可能还有几个疑问：
1，为什么阶码要加上偏移量127或1023呢？
2，有小数点位置可变的浮点数，有没有小数点位置不变的定点数呢， ？
3，单精度和双精度的单、双是怎么来的呢？
4，既然浮点数会损失精度，为什么计算机还要采用这种表示方法呢？

答案见另一篇博文

二、0.2 + 0.1 ≠ 0.3 的根本原因

2.1 二进制表示的挑战

在十进制系统中，0.1、0.2和0.3都是简单的小数，但在二进制系统中，情况截然不同。以0.1为例，它在二进制中是一个无限循环小数，循环体是0011：

由于float和double的尾数位有限，无法完全存储这个无限循环，因此0.1在内存中会被近似存储为一个接近但不完全等于0.1的二进制数。

2.2 加法过程中的误差累积

当进行0.2 + 0.1的运算时，实际上是在对两个近似值进行相加。由于每个数都已经经过了舍入处理，它们的和自然也是一个近似值。更具体地说，这两个数在二进制下的近似表示相加后，并不会正好得到0.3的精确二进制表示，而是接近但不等于预期的结果。

2.3 显示问题

此外，当这个近似和被转换回十进制显示给用户时，由于通常的四舍五入规则，最终结果显示为一个看似不符合数学直觉的值，而非直观的0.3。

三、解决与应对策略

3.1 使用BigDecimal

对于需要高精度计算的场景，如财务计算，Java提供了BigDecimal类来处理浮点数。BigDecimal可以精确表示任意精度的十进制数，避免了浮点运算的精度损失。

3.2 精度意识

开发者应具备浮点数精度的意识，理解哪些场景下可以接受近似计算，哪些场景下必须使用精确计算。在进行比较时，应避免直接使用==操作符，而应使用一个很小的容差值来进行近似比较。

3.3 数学库的选择

在某些高级语言或库中，提供了更高精度的数学运算函数，这些函数在内部使用更复杂的算法来减少误差，提高计算的准确性。

四、结语

理解float和double的精度问题，不仅能够帮助我们避免常见的编程陷阱，也是深入计算机科学底层原理的一次探索。记住，浮点数的不精确并非缺陷，而是硬件与软件设计上的一种权衡——牺牲了一定的精确性，换取了计算速度和存储空间上的效率。作为开发者，关键在于何时何地选择正确的工具，以及如何合理地管理和应对可能出现的精度误差。希望通过本文的介绍，你能够对浮点数的存储与运算有了更深刻的理解，并能在实际开发中做出更明智的选择。