关于js小数点运算丢失精度

console.log(0.07*100); // 7.000000000000001


console.log(0.1+0.2); // 0.30000000000000004

 console.log(parseFloat(0.1).toFixed(4)+parseFloat(0.2).toFixed(4)); // 0.3000

 

 

或者 

//定义一个加法函数

    function add(){ var args = arguments,//获取所有的参数 lens = args.length,//获取参数的长度 d = 0,//定义小数位的初始长度，默认为整数，即小数位为0 sum = 0,//定义sum来接收所有数据的和 //循环所有的参数 for(var key in args){//遍历所有的参数 //把数字转为字符串 var str = ""+args[key]; if(str.indexOf(".")!=-1){//判断数字是否为小数 //获取小数位的长度 var temp = str.split(".")[1].length; //比较此数的小数位与原小数位的长度，取小数位较长的存储到d中 d = d < temp ? temp : d; } } //计算需要乘的数值 var m = Math.pow(10,d); //遍历所有参数并相加 for(var key in args){ sum += args[key]*m; } //返回结果 return sum/m; } console.log(add(0.1,0.2));//0.3 console.log(add(0.1,0.7));//0.8

 

综上所述：可以得到我们预期的结果。
思路总结：
1.遍历所有相加的数的最大小数位
2.所有数乘以10的最大小数位次幂，把小数变成整数，再相加
3.所得数的总和再除以10的最大小数位次幂，得出最终结果。

方法出自 https://blog.csdn.net/gphp0071201/article/details/78971494

 

或者

accAdd(arg1,arg2){ 

       var r1,r2,m; 

       try{

           r1=arg1.toString().split(".")[1].length

          }catch(e){

            r1=0

          } 

       try{

          r2=arg2.toString().split(".")[1].length

          }catch(e){

          r2=0

        } 

       m=Math.pow(10,Math.max(r1,r2)) 

       return (arg1*m+arg2*m)/m 

    } ,

二、JS 数字丢失精度的原因

计算机的二进制实现和位数限制有些数无法有限表示。就像一些无理数不能有限表示，如 圆周率 3.1415926...，1.3333... 等。JS 遵循 IEEE 754 规范，采用双精度存储（double precision），占用 64 bit。如图

 

意义

1. 1位用来表示符号位
2. 11位用来表示指数
3. 52位表示尾数

浮点数，比如

1 2	0.1 >> 0.0001 1001 1001 1001…（1001无限循环） 0.2 >> 0.0011 0011 0011 0011…（0011无限循环）

此时只能模仿十进制进行四舍五入了，但是二进制只有 0 和 1 两个，于是变为 0 舍 1 入。这即是计算机中部分浮点数运算时出现误差，丢失精度的根本原因。

大整数的精度丢失和浮点数本质上是一样的，尾数位最大是 52 位，因此 JS 中能精准表示的最大整数是 Math.pow(2, 53)，十进制即 9007199254740992。

大于 9007199254740992 的可能会丢失精度

1 2 3

9007199254740992   >> 10000000000000...000 // 共计 53 个 0 9007199254740992 + 1 >> 10000000000000...001 // 中间 52 个 0 9007199254740992 + 2 >> 10000000000000...010 // 中间 51 个 0

实际上

1 2 3 4

9007199254740992 + 1 // 丢失 9007199254740992 + 2 // 未丢失 9007199254740992 + 3 // 丢失 9007199254740992 + 4 // 未丢失

结果如图

以上，可以知道看似有穷的数字, 在计算机的二进制表示里却是无穷的，由于存储位数限制因此存在“舍去”，精度丢失就发生了。

想了解更深入的分析可以看这篇论文（又长又臭）：What Every Computer Scientist Should Know About Floating-Point Arithmetic

三、解决方案

对于整数，前端出现问题的几率可能比较低，毕竟很少有业务需要需要用到超大整数，只要运算结果不超过 Math.pow(2, 53) 就不会丢失精度。

对于小数，前端出现问题的几率还是很多的，尤其在一些电商网站涉及到金额等数据。解决方式：把小数放到位整数（乘倍数），再缩小回原来倍数（除倍数）

1 2	// 0.1 + 0.2 (0.1*10 + 0.2*10) / 10 == 0.3 // true

以下是我写了一个对象，对小数的加减乘除运算丢失精度做了屏蔽。当然转换后的整数依然不能超过 9007199254740992。