浮点数笔记

关于浮点数问题相信大家早就耳濡目染了，但是为什么会出现这总情况呢？今天我们就来探究一下这个问题。

image.png

基础复习

在探究这个问题之前，我们先复习一下计算机基础的知识

• 怎么将十进制浮点数转化为二进制
• 浮点数在计算机中如何存储的
• 计算机怎么计算加法
• 计算机怎么计算减法

怎么将小数十进制转化为二进制

计算方法：乘2取整的逆序(value*2 取整数，然后将小数继续 * 2 ，直到结果为1.0，然后把整数逆序过来)
float.map((item)=> parseInt(item * 2)).revese()

小于1的浮点数

举个例子：0.125
0.75 * 2 = 1.5 => 1
0.5 * 2 = 1.0 => 1
结果就是0.11

大于1的浮点数

大于1的浮点数需要两步

• 第一步：将整数部分转换为二进制(辗转相除法--除以进制数取余数然后逆序)，这个较简单这里不说
• 第二步：将小数部分转换为二进制(方法见上)
  例子：5.125
  第一步：整数转二进制
  5/2 = 2···1
  2/2 = 1···0
  1/2 = 0···1
  所以整数部分就是101
  第二步：小数部分转二进制
  0.125 * 2 = 0.25 => 0
  0.25 * 2 = 0.5 => 0
  0.5 * 2 = 1.0 => 1
  所以小数部分就是0.001

合起来 5.125 转化为二进制为 101.001。下面已图为证，在在线工具做的计算。

image.png

浮点数在计算机中的存储方式

首先我们应该知道一般浮点数分为单精度和双精度，比如在Java里面单精度用float来表示数据类型，而double来表示双精度，可是何为单精度何为双精度，单精度精度到多少，双精度又精度到多少呢？当我们清楚了浮点数在计算机中怎么存储的就明白了。

我们常说电脑的32位，64位跟这个就是有关系的。32位就是32个bit，8个bit等于一个byte(字节)，那么32bit就是4个字节，也就是说用4个字节来存储一个数，这就是单精度。而双精度就是用64位，8个字节来存储数，这就是双精度。

那么精度是多少呢？

对于这个问题我们要知道计算机的二进制表示是遵循IEEE浮点数表示法。这种结构是一种科学计数法，用符号、指数和尾数来表示，底数定为2——即把一个浮点数表示为尾数乘以2的指数次方再添上符号。
下面是具体的规格：

占位	符号位	阶码	尾数	长度
float	1	8	23	32
double	1	11	52	64

在这里我们可以看到三个名词：符号位、阶码、尾数

• 符号位：用来表示正负(正数符号位为0，负数符号位为1)。
• 阶码：阶码跟指数有很大的关系。另外一个相关名词，阶码基数，单精度为127(01111111)，双精度为1023(01111111111)
• 尾数：尾数其实就是精度了。所以单精度精确到小数点后23位，而双精度精确到小数点后52位

单精度存储方式

双精度存储方式

看到这里我相信应该已经有点感觉了，我再举个例子，我相信应该就能明白了。

还是拿0.75来举例吧，单精度简单一下，以32为计算，64位同理。0.75的二进制是0.11，转换为IEEE浮点数表示法为：1.1 * 2^-1。
我们还需要知道一点，阶码的值 = 阶码基数 + 指数 = 127 + (-1) = 126 ，拿到刚才那个网站计算一下，126 = 01111110

image.png

而1.1由于二进制整数部分都是1，所以去掉1留下0.1作为尾数部分（因为都是1点多的形式，所以这个1就没必要存了），所以尾数部分就是 1000 0000 0000 0000 0000 000
加上符号位0.75在32位的表示为：0011 1111 0100 0000 0000 0000 0000 0000（粗体为指数部分，斜体为尾数部分）

计算机怎么计算加法

计算机怎么计算乘法

参考

为什么0.1 + 0.2不等于0.3?
浮点数在计算机中存储方式