考虑以下代码:
0.1 + 0.2 == 0.3 -> false
0.1 + 0.2 -> 0.30000000000000004
为什么会出现这些错误?
最佳答案
二进制floating point数学就是这样。在大多数编程语言中,它基于IEEE 754 standard。问题的症结在于数字以这种格式表示为整数乘以2的幂。分母不是2的幂的有理数(例如0.1
,即1/10
)无法准确表示。
对于标准0.1
格式的binary64
,表示形式可以完全按照
十进制的
0.1000000000000000055511151231257827021181583404541015625
或0x1.999999999999ap-4
。 相反,有理数
0.1
(即1/10
)可以完全写为十进制的
0.1
或0x1.99999999999999...p-4
,类似于C99十六进制表示法,其中...
表示9的无休止序列。 程序中的常量
0.2
和0.3
也将接近其真实值。碰巧,最接近double
的0.2
大于有理数0.2
,但是最接近double
的0.3
小于有理数0.3
。 0.1
和0.2
的总和最终大于有理数0.3
,因此与代码中的常数不一致。浮点算术问题的一种相当全面的处理方法是What Every Computer Scientist Should Know About Floating-Point Arithmetic。有关更容易理解的说明,请参见floating-point-gui.de。
侧面说明:所有位置(基数为N)的数字系统均以精度共享此问题
普通的旧十进制数(以10为底)有相同的问题,这就是为什么像1/3这样的数字最终会变成0.333333333 ...
您偶然发现了一个数字(3/10),该数字很容易用十进制表示,但不适合二进制。它也是双向的(在某种程度上):1/16是一个丑陋的数字,十进制(0.0625),但是在二进制中,它看起来像十进制的10,000十分整洁(0.0001)****-如果我们在习惯在我们的日常生活中使用以2为底的数字系统,您甚至会看到该数字,并且本能地了解到您可以通过将某物减半,一次又一次减半而到达那里。
**当然,这并不完全是将浮点数存储在内存中的方式(它们使用科学计数法的形式)。但是,它确实说明了二进制浮点精度误差趋于增加的观点,因为我们通常感兴趣的“真实世界”数通常是10的幂-但这仅仅是因为我们使用了十进制数天-今天。这也是为什么我们说类似71%而不是“每7个中有5个”(71%是近似值,因为5/7不能用任何十进制数字精确表示)的原因。
否:二进制浮点数没有坏,它们恰好与其他所有base-N数系统一样不完美:)
侧面注意:在编程中使用浮点数
实际上,这种精度问题意味着您需要使用舍入函数将浮点数四舍五入为您感兴趣的任意小数位,然后再显示它们。
您还需要用允许一定程度的容忍的比较替换相等性测试,这意味着:
不做
if (x == y) { ... }
而是执行if (abs(x - y) < myToleranceValue) { ... }
。其中
abs
是绝对值。需要为您的特定应用选择myToleranceValue
-这与您准备允许多少“摆动空间”以及要比较的最大数字有很大关系(由于精度下降)问题)。当心所选语言中的“epsilon”样式常量。这些不得用作公差值。