JVM (2) ： 浮点数

一、说明

实际编程中，经常会遇到浮点数，这里以float为例，简单介绍下浮点数的一些基本知识。

二、存储规范

2.1 概念

IEEE754标准规定，浮点数包含“符号Sign”、“指数Exponent ”和“尾数Mantissa”三部分。

java数据类型	符号位	指数位	尾数位	长度
float	1	8	23	32
double	1	11	52	64

float和double的尾数都含有一个隐含位，对于有限数，如果指数位不全为0 则尾数位首位 +1 ，如果指数位全为0，则尾数位首位 + 0，相当于多存储了一位数据。有限数的概念后面会介绍。

二进制浮点数实际表示为：

$$\pm X_n{X}_{n-1}...X_0.X_{-1}{X}_{-2}...X_{-m}=\pm X_n.X_{n-1}...X_0{X}_{-1}{X}_{-2}...X_{-m}\times 2^n$$

其中，第一位为符号位。小数点. 之前的为整数位，小数点之后的为小数位。可以看出来，一个浮点数包含三个部分的数据要存储，一个符号位，一个数值部分，还有一个就是指数部分。下面我们以float为例，简单介绍下。

float规格化数据表示：

$$\pm 1.f\times 2^{E-127}$$

其中±为符号位，0表示正数，1表示负数。

E为指数，存储在指数位，8位二进制，其中[ 1,127 ) 算出来指数真值是负数， [ 127, 254 ] 是正数，0和255有特殊用途。

f为尾数，非0场景下，二进制表示，整数位固化为1，省略掉，所以可以用23位尾数位表示24位尾数。
实际10.25存储成二进制，就是0 1000 0010 0100 1000 0000 0000 0000 000，1 + 8 + 23 ​总共32位。​

2.2 示例

浮点数转换为二进制

以10.25为例，来说明下浮点数如何转化为二进制。

• 整数部分10 转换为二进制 1010。
• 小数部分0.25，使用“乘2取整”的方法。(0.25 * 2 = 0.5) ， (0.5 * 2 = 1) ，1 最终为整数。所以0.25 转换成 01 。其实从上面二进制浮点数表示的公式也能够看出来，小数位的值相当于2^(-n)，n从1开始，越往后表示的值越小。
• 合并整数位和小数位，有 10.25 = 1010.01 = 1.01001*(2^3)，3就是前面公式中的指数，对于float来说，这里的 3 = E -127，E就是130，转换为二进制位 1000 0010， 为实际指数位存储的值。
• 尾数位存储的是01001，去掉了1.01001前面的1，也就是我们前面说的隐含位。此处尾数位不全为0，所以隐含位为1，不用存储。总共是23位，其他位补0，为0100 1000 0000 0000 0000 000
• 这个数字是正数，所以最高位补0，最终10.25转换成的二进制为：0 1000 0010 0100 1000 0000 0000 0000 000，总共32位。

二进制转换为浮点数

以0 1000 0010 0100 1000 0000 0000 0000 000为例

• 最高位为0，为正数。
• 取8位指数位 1000 0010，得到E为130，实际指数真值130-127 = 3
• 取后面23位0100 1000 0000 0000 0000 000，因为不全为0，首位补1，得到1.0100 1000 0000 0000 0000 000。
• 参考前面的公式，有
  $$+1.01001000000000000000000\times 2^{130-127}=1010.01000000000000000000=2^3+2^1+2^{-2}=10.25$$

2.3 分类

从前面可以了解到浮点数的转化规则。实际上，浮点数包含多种分类。
IEEE标准定义了6类浮点数：

指数	分类	隐含位	尾数	说明
xx…xx	有限数	1	xx…xx	指数非全0，非全1，有隐含位
00…00	0	0	0	尾数为0
00…00	弱规范数	无	xx…xx	尾数不是0
11…11	±∞	1	0	尾数不为0
11…11	QNaN	1	1xx…xx	尾数高位为1，但尾数不为0
11…11	SNaN	1	0xx…xx	尾数高位为0，但尾数不为0

IEEE标准要求：SNaN参与运算触发异常，QNaN则不触发异常。两者的区别在于尾数最高位不同。

弱规范数
表示0和最小有限数之间的数，指数和0一样，都是全0，但没有隐含位，尾数部分不为0
$$\pm (f)\times 2^{0-offset}$$

​特殊指数位，以float为例，指数位0主要是表示0和弱规范数，指数位为255则用来标识NaN和±∞。

2.4 特殊数

最小的正float有限数

根据有限数的规格化形式，指数取最小值1，隐含位是1，尾数取最小值0（23位都是0）
$$1.0\times 2^{1-127}=1.1754943508222875079687365372222e^{-38}$$

最大的正float有限数

根据有限数的规格化形式，指数取最大值254，隐含位是1，尾数取最大值（23位都是1）：
$$1.11111111111111111111111\times 2^{254-127}=(2-2^{-23})\times 2^{127}=2^{128}-2^{104}=3.4028234663852885981170418348452e^{38}$$

最小的正float弱规范数

指数是全0，但没有隐含位，尾数取最小值（最后一位为1），尾数包含整数位。

$$0.0000000000000000000001\times 2^{0-127}=2^{-22}\times 2^{-127}=1.4012984643248170709237295832899e^{-45}$$

三、 java 浮点数相关

3.1 java 常用浮点数展示

以float为例

public class FloatTest {

    @Test
    public void test() {

        printFloatBitStr(10.25f);
        printFloatBitStr(-10.25f);

        // 最大的正float有限数
        printFloatBitStr(Float.MAX_VALUE);
        // 最小的正float有限数
        printFloatBitStr(Float.MIN_NORMAL);
        // 最小的正float弱规范数
        printFloatBitStr(Float.MIN_VALUE);
        // QNaN
        printFloatBitStr(Float.NaN);

        printFloatBitStr(10.25f);
        // 表示不了，变成10.25f了
        printFloatBitStr(10.250000059604645f);
        // 表示不了，变成10.250001f了
        printFloatBitStr(10.2500011f);
        
        printFloat("0 10000010 01001000000000000000000");
        printFloat("0 10000010 01001000000000000000001");

    }

    private void printFloatBitStr(Float f) {
        String fs = Integer.toBinaryString(Float.floatToIntBits(f));
        while (fs.length() < 32) {
            fs = "0" + fs;
        }
        System.out.println(fs.substring(0, 1) + " " + fs.substring(1, 9) + " " + fs.substring(9) + " = " + f );

    }

    private void printFloat(String fs) {
        System.out.println(fs + " = " + Float.intBitsToFloat(Integer.parseInt(fs.replaceAll(" ", ""), 2)) );
    }


}

输出结果如下：

0 10000010 01001000000000000000000 = 10.25
1 10000010 01001000000000000000000 = -10.25
0 11111110 11111111111111111111111 = 3.4028235E38
0 00000001 00000000000000000000000 = 1.17549435E-38
0 00000000 00000000000000000000001 = 1.4E-45
0 11111111 10000000000000000000000 = NaN
0 10000010 01001000000000000000000 = 10.25
0 10000010 01001000000000000000000 = 10.25
0 10000010 01001000000000000000001 = 10.250001
0 10000010 01001000000000000000000 = 10.25
0 10000010 01001000000000000000001 = 10.250001

四、 精度丢失问题

4.1 分析

浮点数经常遇到精度丢失问题，以上面的10.25来说，二进制为 0 10000010 01001000000000000000000。
假设有另外一个二进制数，尾数位为 24位 010010000000000000000001, 其他位保持不变，则 这个数的值为：
$$+1.010010000000000000000001\times 2^{130-127}=1010.010000000000000000001=2^3+2^1+2^{-2}+2^{-24}=10.25+0.000000059604645=10.250000059604645$$
但是float决定了 尾数位 为23 ，所以最后一个1 也就没有了。也就是0 10000010 01001000000000000000000到0 10000010 01001000000000000000000之间的数，只要不能用弱规范数表示的，都表示不了了。

从前面的java示例中，我们也能够看出来10.25到10.250001之间的很多数据都表示不了了，比方说10.250000059604645f，就向下取了，变成了10.25。同样的，计算过程中会存在位移，也会产生同样的后果，最终导致在一些精度丢失的问题。

4.2 java中的规避方法

使用java.math.BigDecimal#BigDecimal(java.lang.String)规避精度丢失问题

 @Test
    public void test2() {
        // 此处以双精度 double为例，计算过程中，会存在位移，导致精度丢失。
        System.out.println("0.05 + 0.01 = " + (0.05 + 0.01f) + "  => " + add(10, 0.05, 0.01));
        System.out.println("1.0 - 0.42 = " + (1.0f - 0.42f) + "  => " + sub(10, 1.0, 0.42));
        System.out.println("4.015 * 100 = " + (4.015 * 100) + "  => " + mul(10, 4.015, 100d));
        System.out.println("123.3 / 100 = " + (123.3 / 100) + "  => " + div(10, 123.3, 100d));
    }

    public static Double add(int scale, Double ... args) {
        BigDecimal sum = new BigDecimal("0");
        for (double arg : args) {
            sum = sum.add(new BigDecimal(String.valueOf(arg)));
        }
        return sum.setScale(scale, BigDecimal.ROUND_HALF_UP).doubleValue();
    }

    public static Double sub(int scale, Double v1, Double v2) {
        BigDecimal b1 = new BigDecimal(String.valueOf(v1));
        BigDecimal b2 = new BigDecimal(String.valueOf(v2));
        return b1.subtract(b2).setScale(scale, BigDecimal.ROUND_HALF_UP).doubleValue();
    }

    public static Double mul(int scale, Double ... args) {
        BigDecimal sum = new BigDecimal("1");
        for (double arg : args) {
            sum = sum.multiply(new BigDecimal(String.valueOf(arg)));
        }
        return sum.setScale(scale, BigDecimal.ROUND_HALF_UP).doubleValue();
    }

    public static Double div(int scale, Double v1, Double v2) {
        BigDecimal b1 = new BigDecimal(String.valueOf(v1));
        BigDecimal b2 = new BigDecimal(String.valueOf(v2));
        return b1.divide(b2, scale, BigDecimal.ROUND_HALF_UP).doubleValue();
    }
    
    

输出结果如下：

0.05 + 0.01 = 0.059999999776482585  => 0.06
1.0 - 0.42 = 0.58000004  => 0.58
4.015 * 100 = 401.49999999999994  => 401.5
123.3 / 100 = 1.2329999999999999  => 1.233

可以看到BigDecimal计算的结果是正确的，BigDecimal计算的原理就是将浮点数进行放大，放大成整数进行计算，几个主要变量如下：

//有多少位小数(即小数点后有多少位)，也就是放大倍数
int scale; 
//一共有多少位数字
int precision; 
//字符串放大后，转为的long值，只有当传的字符串长度小于18时才使用该值。
long intCompact; 
//当传的字符串长度大于等于18时才使用BigInteger表示数字，此时intCompact为Long.MAX_VALUE
BigInteger intVal; 

微信扫一扫关注该公众号