计算机数值存储原理：整数与浮点数的底层差异

1. 数值存储的本质差异

计算机用二进制存储所有数据，但整数和浮点数的处理方式截然不同。整数存储直观简单，32位系统下int类型直接对应4字节内存空间。比如数字42存储为：

code复制00000000 00000000 00000000 00101010

而浮点数采用IEEE 754标准，将32位空间划分为三部分：

• 符号位（1位）
• 指数位（8位）
• 尾数位（23位）

这种设计让浮点数能表示极大范围和极小数，但带来了精度问题。比如0.1在内存中实际存储为：

code复制00111101 11001100 11001100 11001101

关键区别：整数是精确存储，浮点数是近似存储。这是许多计算误差的根源。

2. 整型存储机制详解

2.1 原码与补码

早期计算机使用原码表示负数（最高位为符号位），但会导致+0和-0问题。现代系统统一采用补码：

• 正数：与原码相同
• 负数：绝对值取反加1

例如-42的存储过程：

1. 42的二进制：00101010
2. 取反：11010101
3. 加1：11010110

2.2 溢出处理

当超过类型最大值时会发生"回绕"现象。比如8位无符号整数255加1会变成0。这是很多程序漏洞的根源。

3. 浮点存储的IEEE 754标准

3.1 科学计数法的二进制实现

浮点数采用类似科学计数法的结构：

code复制值 = (-1)^符号 × 1.尾数 × 2^(指数-127)

例如3.14的存储：

1. 转为二进制：11.00100011110101110000101
2. 规范化：1.100100011110101110000101 × 2^1
3. 指数偏移：127 + 1 = 128 → 10000000
4. 存储结果：
   0 10000000 10010001111010111000010

3.2 特殊值处理

标准定义了特殊位模式表示：

• 无穷大（指数全1尾数全0）
• NaN（指数全1尾数非0）
• 非规格化数（指数全0）

4. 精度丢失的根源分析

4.1 十进制转二进制的固有误差

许多十进制小数无法精确表示为二进制分数。例如0.1在二进制中是无限循环：

code复制0.0001100110011001100