关于浮点数计算时的精度问题 0.1+0.2不等于0.3
“未经省察的人生没有价值。”
问题
上个月同事遇到个 Bug，两个看起来应该相等的整型，对比结果却是 false。最后发现，在一连串算数过程中，混入了一个浮点型，于是误差就开始累积了。1.0000000000000001 不等于1 。0.1 + 0.2 不等于 0.3。
分析
项目要尽量避免使用浮点数？
浮点的误差来自于十进制小数跟二进制小数之间的转换。如果转换不是必须的或者没有精度要求，那就完全可以使用浮点数。
为什么在项目中要尽量避免使用浮点数，不使用浮点数，那该如何计算浮点数？
计算机内部是怎么存储数字的？
都是采用二进制存储。无论什么数据，在计算机内存中都是以01存储的，浮点数也不例外。
十进制和二进制怎么转换？
十进制整数转二进制整数：短除法，除2取余，直到商取0，自下而上读数，从左到右填数。
十进制小数转二进制小数：乘2取整，直到精度要求的位数，自上而下，从左到右填数。
十进制转换成二进制及二进制转换成十进制是如何转换的?
n bit 可以存储多少个整数？
2 的 n 次方。很简单，用 n 位用来放1或者0两种值，那就是有 2 的 n 次方个组合用来表示不同的数字。
科学计数法是怎样的？
在使用或运算某个占用位数较多的的数时，使用科学计数法省略掉一部分空间和时间。
a*10^n ： 1<=|a|<10，n为整数，10可以替换成其他进制。为什么a的最大值小于10，因为大于10，就归到n+1去了。
也可表示成 aE+n、aE-n。
小数在计算机中是怎么存储的？
按照 IEEE 754 标准，又称 IEEE 二进制浮点数算数标准。
常用的有单精度（32位）、双精度（64位）。
V= (-1)^s * M * (2^E)
64Bits 把小数分为 3 个部分存储：
- sign（S，符号）：表示正负号，0为正，1为负（1 bit）。
- exponent（E，指数）：表示次方数（11 bits）。取值范围为 2^11 = 2048，表示范围为 0~2047。但是指数可以是负数，因此把取值一分为二，一半用来表示负数。于是就有了中间值为 2^(e-1)。二进制转十进制时，指数的值要加上中间值，反之则减去。
- mantissa（M，尾数）：表示精确度（有效数字） 1<=M<2（53 bits）。其实 M 只有52 bits 的空间，但是二进制的第一位有效数字必然是1，所以省去第一位有效数字，所以可以保存的有效数字为 52 + 1 = 53 位。
浮点数怎么做运算？
对阶：使两数的阶数相同。小阶向大阶看齐。
尾数求和：常规的二进制算数。
规格化和舍入：规格化，多出来的低位0舍1入，正是这里会导致精度丢失。
JavaScript 浮点数之迷：0.1 + 0.2 为什么不等于 0.3？
非规格化浮点数 Denormalized Number
简而言之就是原本规格化浮点数规定小数点第一位默认是1，但是非规格化浮点数允许是0，因此可以表示更大的精度，即 0.00001e-126。
非规格化浮点数
为什么将 0.1f 改为 0 会使性能降低 10 倍？
其他参考&工具
IEEE 754 Calculator
IEEE 754浮点数标准中64位浮点数为什么指数偏移量是1023？
js精度丢失问题-看这篇文章就够了(通俗易懂)
漫话：如何给女朋友解释为什么计算机中 0.2 + 0.1 不等于 0.3 ？
总结
- JavaScript 浮点数之迷：0.1 + 0.2 为什么不等于 0.3？ 这篇文章的结构非常好，以后可以模仿这篇来写。
- 理解加整理，断断续续花了一周的碎片时间。不太好理解，内容也不少，经常昨天刚理解，今天再看，要重新理解。所以下次在理解的过程中，就应该把当时的理解做下笔记，最后再统一归纳整理才是。
- 我好笨丫。
