苏三公子1. 浮点数运算的迷思：为什么0.1+0.2≠0.3？
第一次用Python做小数加法时，我盯着屏幕上显示的0.30000000000000004愣住了——这和小学数学教的完全不一样。作为从业十余年的开发者，这个问题几乎成为每个程序员入门时必踩的坑。今天我们就来彻底拆解这个看似简单却暗藏玄机的浮点运算问题。
计算机处理小数的方式和我们人类有本质区别。当我们用笔算0.1+0.2时，大脑自动进行十进制运算。但计算机底层使用的是二进制，这个转换过程就像把中文诗歌翻译成英文，总会有些韵味丢失。IEEE 754标准定义了现代计算机处理浮点数的方式，也正是这个标准导致了那些"反常识"的计算结果。
关键认知：浮点数不是精确值，而是对实数的有限精度近似。就像用乐高积木拼装圆形，无论如何精细都会存在锯齿。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 二进制世界的表达困境
2.1 十进制到二进制的转换陷阱
让我们亲手把0.1"翻译"成二进制：
code复制0.1 × 2 = 0.2 → 0
0.2 × 2 = 0.4 → 0
0.4 × 2 = 0.8 → 0
0.8 × 2 = 1.6 → 1
0.6 × 2 = 1.2 → 1
0.2 × 2 = 0.4 → 0
...无限循环...
最终0.1的二进制表示是：0.00011001100110011...这个无限循环小数就像1/3在十进制中的0.333...一样永远写不完。但计算机内存有限，必须截断这个无限序列，就像把π截断为3.14159。
2.2 IEEE 754的双精度表示
现代计算机通常采用64位双精度浮点数（即Python的float类型），其结构如下：
| 组成部分 | 符号位 | 指数位 | 尾数位 |
|---|---|---|---|
| 位数 | 1 | 11 | 52 |
这个设计就像科学计数法：
- 符号位决定正负
- 指数位决定数量级（类似10的n次方）
- 尾数位决定精度（类似有效数字）
当我们把无限循环的0.1二进制强行塞进52位尾数时，就像把一首交响乐压缩成手机铃声——信息丢失不可避免。
3. 误差产生的完整过程
3.1 存储阶段的精度损失
让我们用Python查看0.1的真实存储值：