3. 数值计算中的浮点精度异常

浮点精度异常是数值计算中最容易被忽视、也最容易在业务结果上暴露的一类问题。它不像除零错误那样立刻抛出异常，而是以“结果看起来差不多、但对不上”的方式潜伏下来：对账差一分钱、循环累加后偏差放大、条件判断在临界点走错分支。本节从浮点数的表示机制出发，梳理误差来源，给出累积误差的诊断方法，并说明 decimal 与 fractions 两个标准库模块各自适用的场景。

一、误差从哪里来：二进制表示与舍入

Python 的 float 遵循 IEEE 754 双精度格式，用 1 位符号、11 位指数、52 位尾数表示一个近似值。绝大多数十进制小数无法用有限位二进制精确表示，例如 0.1 在二进制中是无限循环小数，存储时被舍入到最近的可用值。因此 0.1 + 0.2 的结果并不是 0.3，而是 0.30000000000000004。这不是 Python 的缺陷，而是二进制浮点表示的固有属性。

误差来源可以归为四类：表示误差（十进制小数转二进制时的舍入）、运算舍入误差（每次加减乘除结果都要落回 53 位有效位）、量级差异导致的吸收（大数加小数时小数被“吃掉”）、以及累积误差（大量运算中误差逐步叠加）。前两类是单次运算的固有误差，后两类才是排障中真正需要定位的对象。

>>> 0.1 + 0.2
0.30000000000000004
>>> 1e16 + 1.0 - 1e16
0.0            # 1.0 被大数吸收，完全丢失
>>> sum([0.1] * 10)
0.9999999999999999

第三行是典型的累积误差：十个 0.1 相加，理论值 1.0，实际得到 0.9999999999999999。单次误差约 1e-17 量级，但十次叠加后偏差已经可以在 == 1.0 判断中体现出来。

二、累积误差的诊断方法

诊断累积误差的核心思路是“找一个可信参照，量化偏差随规模的变化”。常用手段有三种。

其一，与高精度结果对比。用 decimal 或 fractions 算出同一算式的精确值，再与 float 结果相减，得到绝对误差；除以精确值得到相对误差。相对误差超过 1e-12 量级时，就应怀疑算法本身存在数值不稳定，而不只是表示误差。

其二，观察误差随迭代次数的增长趋势。对同一累加过程分别取 n=10³、10⁴、10⁵ 次，记录误差。若误差近似线性增长，属于普通累积；若呈指数增长，说明算法对舍入误差有放大作用，例如递推公式中存在相减抵消。

其三，用 math.fsum 做交叉验证。math.fsum 内部使用部分和算法，能显著降低累加误差。若 sum() 与 math.fsum() 的结果差异明显，基本可以确认是累加顺序或规模导致的误差累积。

import math
from decimal import Decimal, getcontext

getcontext().prec = 50
data = [0.1] * 100000
s_plain = sum(data)
s_fsum  = math.fsum(data)
s_exact = float(sum(Decimal("0.1") for _ in range(100000)))
print(s_plain, s_fsum, s_exact)
print("相对误差:", abs(s_plain - s_exact) / s_exact)

这段代码给出三个可比对象：普通累加、补偿累加、高精度参照。三者一致说明误差可接受；普通累加明显偏离而 fsum 贴近参照，则问题定位在累加环节，可考虑改用 fsum 或调整求和顺序（先小后大）。

三、decimal 与 fractions 的适用场景

decimal.Decimal 用十进制表示数值，可以精确表示 0.1、0.2 这类十进制小数，适合金额、税率、计量单位换算等“以十进制为准”的业务。它的精度由上下文 getcontext().prec 控制，舍入模式可显式指定（如 ROUND_HALF_UP 对应常见的四舍五入）。需要注意两点：一是 Decimal 必须从字符串构造，Decimal(0.1) 会把 float 的误差原样带进来；二是运算速度比 float 慢一到两个数量级，不适合大规模数值循环。

fractions.Fraction 以分子/分母的有理数形式存储，加减乘除全程精确，不会产生任何舍入，适合比例、概率、分数运算以及需要“结果必须严格相等”的校验场景。它的代价是分母可能迅速膨胀，遇到开方、三角函数等无理运算时无法直接使用，需要转成 float 或 Decimal 再算。

四、案例：对账差额的定位与修复

假设一个订单系统按“单价 × 数量 × 折扣”逐笔累加金额，折扣为 0.9，单价 19.99，数量 3，共 1000 笔。用 float 累加后与财务系统给出的精确总额比对，出现 0.01 元级差额。排查步骤如下：先用 Decimal 按字符串重建同一算式得到精确值，确认差额确实来自浮点累加而非业务逻辑；再把累加改为 Decimal 运算，并在最终输出时用 quantize(Decimal("0.01"), rounding=ROUND_HALF_UP) 统一保留两位小数。修复后差额归零，且舍入规则与财务口径一致。

from decimal import Decimal, ROUND_HALF_UP

unit = Decimal("19.99")
qty  = Decimal("3")
rate = Decimal("0.9")
total = sum((unit * qty * rate for _ in range(1000)), Decimal("0"))
print(total.quantize(Decimal("0.01"), rounding=ROUND_HALF_UP))

浮点精度异常的排障关键，不在于消灭误差，而在于识别误差属于哪一类、是否落在业务可接受范围内，并选择与业务口径匹配的数值类型。把“表示误差”和“累积误差”分开看，把“十进制口径”和“二进制性能”分开选，绝大多数精度问题都能被稳定定位和修复。