浮点数精度是几乎所有编程语言都会遇到的“反直觉”问题，Python 也不例外。如果你没留意过它，迟早会在比较两个看似相等的小数时踩坑。
现象：为什么 0.1 + 0.2 不等于 0.3？
在 Python 解释器中执行：
>>> 0.1 + 0.2
0.30000000000000004
>>> 0.1 + 0.2 == 0.3
False这个结果会让初学者惊讶，但它并非 Python 的 bug，而是 IEEE 754 双精度浮点数标准 的必然表现。
原因：二进制无法精确表示部分十进制小数
计算机内部以二进制形式存储数字。整数和像 0.5、0.25 这样能用 2 的负次幂精确表示的十进制小数，在二进制中是精确的：
- 0.5（十进制） = 2⁻¹ → 二进制 0.1
- 0.25（十进制） = 2⁻² → 二进制 0.01
但 0.1 和 0.2 这类数，在二进制中是无限循环小数，就像十进制无法精确表示 1/3（0.3333…）一样。Python 浮点数只有 53 位二进制精度（约 15-17 位有效十进制数字），超出部分会被截断，于是产生了微小的舍入误差。0.1 + 0.2 的计算结果实际上是两个近似值相加后的近似值，与 0.3 的近似值并不完全相等。
常见踩坑场景
1. 用 == 直接比较浮点数
# 错误做法
if 0.1 + 0.2 == 0.3:
print("相等") # 永远不会执行2. 浮点数作为字典的键
因为小数有微弱误差，很可能导致你认为应该相等的键无法命中，产生难以排查的 bug。
3. 累加造成误差放大
total = 0.0
for _ in range(1000):
total += 0.1
# 期望 100.0，实际接近但不精确4. 结果格式化时出现长尾数
print(1.1 * 1.1) # 1.2100000000000002解决方案：视场景选择正确工具
方案一：使用 math.isclose() 进行近似比较（推荐）
import math
if math.isclose(0.1 + 0.2, 0.3):
print("近似相等") # True
# 可设置相对/绝对容差
# math.isclose(a, b, rel_tol=1e-9, abs_tol=0.0)方案二：使用 Decimal 进行精确十进制运算
适合金融、财务等对精度要求极高的场景。
from decimal import Decimal
a = Decimal('0.1') # 必须用字符串传入，避免先产生浮点误差
b = Decimal('0.2')
print(a + b) # 0.3，精确相等注意：Decimal 运算速度比普通浮点慢，只在必要时使用。
方案三：将小数转化为整数运算
例如以“分”为单位替代以“元”为单位的浮点数计算。
# 处理金额时用整数（单位：分）
price = 99 # 9.9 元
count = 3
total = price * count # 297，即 2.97 元方案四：仅在展示时格式化
如果浮点误差不影响计算结果（例如只是最终显示），可以在输出时用 round() 或格式化字符串控制小数位数：
value = 0.1 + 0.2
print(f"{value:.2f}") # 0.30但注意 round() 同样受二进制表示影响，遇到“.5”时可能不符合直觉四舍五入（称为“银行家舍入”），仅适用于展示，不应用于精确比较。
小结
- 浮点数精度问题不是 Python 的错，是所有使用 IEEE 754 标准的语言共有的限制。
- 需要精确小数的场景（如金钱）请用
Decimal或整数过渡。 - 常规判断相等用
math.isclose()替代==。 - 格式化输出可以掩盖显示上的长尾数，但不能解决实质比较问题。
理解这一点后，你就能避免绝大多数因浮点精度引发的隐性 bug。