在练习时,输入如下代码:

Float类型出现舍入误差的原因(round 取位)-LMLPHP

结果不准确。

原因:https://blog.csdn.net/bitcarmanlee/article/details/51179572

浮点数一个普遍的问题就是在计算机的世界中,浮点数并不能准确地表示十进制。并且,即便是最简单的数学运算,也会带来不可控制的后果。因为,在计算机的世界中只认识0与1

Float类型出现舍入误差的原因(round 取位)-LMLPHP

python中的decimal模块可以解决上面的烦恼

decimal模块中,可以通过整数,字符串或原则构建decimal.Decimal对象。如果是浮点数,特别注意因为浮点数本身存在误差,需要先将浮点数转化为字符串。

Float类型出现舍入误差的原因(round 取位)-LMLPHP

当然精度提升的同时,肯定带来的是性能的损失。在对数据要求特别精确的场合(例如财务结算),这些性能的损失是值得的。但是如果是大规模的科学计算,就需要考虑运行效率了。毕竟原生的float比Decimal对象肯定是要快很多的。

使用上述办法解决后:

Float类型出现舍入误差的原因(round 取位)-LMLPHP

知识点总结:

1. decimal模块:

Python提供了decimal模块用于十进制数学计算,它具有以下特点:

  1. 提供十进制数据类型,并且存储为十进制数序列;
  2. 有界精度:用于存储数字的位数是固定的,可以通过decimal.getcontext().prec=x 来设定,不同的数字可以有不同的精度
  3. 浮点:十进制小数点的位置不固定(但位数是固定的)

首先是float累加产生误差的原因,该部分转自:http://blog.csdn.net/zhrh0096/article/details/38589067

1.  浮点数IEEE 754表示方法

要搞清楚float累加为什么会产生误差,必须先大致理解float在机器里怎么存储的,具体的表示参考[1] 和 [2], 这里只介绍一下组成

Float类型出现舍入误差的原因(round 取位)-LMLPHP

由上图可知(摘在[2]), 浮点数由: 符号位 + 指数位 + 尾数部分, 三部分组成。由于机器中都是由二进制存储的,那么一个10进制的小数如何表示成二进制。例如: 8.25转成二进制为1000.01, 这是因为 1000.01 = 1*2^3 + 0*2^2 + 0*2^1 + 0*2^0 + 0*2^-1 + 2*2^-2 = 1000.01.

(2)float的有效位数是6-7位,这是为什么呢?因为位数部分只有23位,所以最小的精度为1*2^-23 在10^-6和10^-7之间,接近10^-7,[3]中也有解释

那么为什么float累加会产生误差呢,主要原因在于两个浮点数累加的过程。

2. 两个浮点数相加的过程

两浮点数X,Y进行加减运算时,必须按以下几步执行(可参考 [4] 中插图):
(1)对阶,使两数的小数点位置对齐,小的阶码向大的阶码看齐。
(2)尾数求和,将对阶后的两尾数按定点加减运算规则求和(差)。
(3)规格化,为增加有效数字的位数,提高运算精度,必须将求和(差)后的尾数规格化。
(4)舍入,为提高精度,要考虑尾数右移时丢失的数值位。
(5)判断结果,即判断结果是否溢出。

关键就在与对阶这一步骤,由于float的有效位数只有7位有效数字,如果一个大数和一个小数相加时,会产生很大的误差,因为尾数得截掉好多位。例如:

123 + 0.00023456 = 1.23*10^2 + 0.000002 * 10^2 = 123.0002

那么此时就会产生0.00003456的误差,如果累加多次,则误差就会进一步加大。

解决方式有几种,但都不是最佳方式,参考:http://bbs.csdn.net/topics/390549664

3.解决方法

方法一

Kahan summation算法

https://en.wikipedia.org/wiki/Kahan_summation_algorithm

  1.  
    function KahanSum(input)
  2.  
    var sum = 0.0
  3.  
    var c = 0.0 // A running compensation for lost low-order bits.
  4.  
    for i = 1 to input.length do
  5.  
    var y = input[i] - c // So far, so good: c is zero.
  6.  
    var t = sum + y // Alas, sum is big, y small, so low-order digits of y are lost.
  7.  
    c = (t - sum) - y // (t - sum) cancels the high-order part of y; subtracting y recovers negative (low part of y)
  8.  
    sum = t // Algebraically, c should always be zero. Beware overly-aggressive optimizing compilers!
  9.  
    next i // Next time around, the lost low part will be added to y in a fresh attempt.
  10.  
    return sum
  • 1

伪代码如上

解决方法就是把多余的误差部分算出来(c),再在下一次循环减去这个误差

方法二

  1.  
    int main()
  2.  
    {
  3.  
    float f = 0.1;
  4.  
    float sum = 0;
  5.  
    sum+=add(f,4000000);
  6.  
    cout<<sum<<endl;
  7.  
    return 0;
  8.  
    }
  9.  
     
  10.  
    float add(float f,int count)
  11.  
    {
  12.  
    if(count==1)
  13.  
    return f;
  14.  
    else
  15.  
    return add(f,count/2)+add(f,count-count/2);
  16.  
    }
  • 1

二分法递归计算加法,这样会没有误差,但是函数调用消耗大(尤其是多次)

方法三

使用double,精度更高,但是本来是没有必要用这么高精度的

方法四

ieee浮点数,为了规格化,精度每超过2的整数次幂,精度要下降一位,
你的f是0.1,float位数是23,当sum足够大的时候,会出现 sum+f==sum 的情况,这个是ieee标准,
和C++没关系,事实上编译器应该已经做了浮点精度调整了,你这结果误差算小的了.
避免这种误差的方法就是浮点数,永远不要让一个很大的数去加上一个很小的数.不知你这段代码的目的是

什么,但如果你改成这样,误差会小很多:

    1.  
      float f = 0.1;
    2.  
      float sum = 0;
    3.  
      for( i=0; i<100; i++)
    4.  
      {
    5.  
      int sumEachBig=0;
    6.  
      for(....k<400....)
    7.  
      {
    8.  
      int sumEachSmall=0;
    9.  
      for(....j<100.....)
    10.  
      sumEachSmall += f;
    11. sumEachBig+=sumEachSmall;
    12.  
    13. } 
    14. sum += sumEachBig;
    15.  
    16. }
05-11 19:45