高等数学 / 系统课时
浮点数与舍入误差
浮点数与舍入误差
本课解释计算机为何无法精确保存所有实数,并通过可运行示例观察误差在加法与比较中的表现。学完后,你能够区分表示误差和运算误差,并选择更稳健的求和与比较方法。
学习目标
- 理解二进制浮点数只能近似表示多数小数
- 识别误差累积、相消和直接相等比较的风险
- 使用容差比较与高精度求和降低错误判断
为什么小数会变成近似值
常见的双精度浮点数用固定数量的二进制位保存符号、指数和有效数字。像 0.5 这样的数可以写成有限二进制小数,因此能够精确表示;0.1 的二进制展开却无限循环,需要舍入为邻近的可表示值。
因此,程序中的 0.1 实际是最接近它的某个可表示数。单次误差通常极小,但后续运算会继续以近似值为输入,误差可能累积、放大,或在两个接近数相减时暴露出来。

用程序观察舍入误差
下面用显式循环演示朴素的顺序累加,再与 math.fsum 和容差判断比较。Python 3.12 起,内置 sum 对浮点数改用了更准确的求和算法,因此这里用循环复现实验。fsum 会更谨慎地合并部分和,适合大量浮点数求和。
from math import fsum, isclose
def main() -> None:
values = [0.1] * 10
ordinary = 0.0
for value in values:
ordinary += value
accurate = fsum(values)
print(f'{0.1 + 0.2:.17f}')
print(ordinary == 1.0)
print(f'{ordinary:.17f}')
print(f'{accurate:.17f}')
# 比较计算结果时,应根据业务精度设置绝对或相对容差
print(isclose(ordinary, 1.0, rel_tol=0.0, abs_tol=1e-12))
if __name__ == '__main__':
main()预期输出:
0.30000000000000004
False
0.99999999999999989
1.00000000000000000
True第一行说明 0.1 + 0.2 并非精确的 0.3。朴素顺序累加的值与 1.0 极接近,但直接用 == 比较仍返回 False。容差比较关注两者是否足够接近,更符合数值计算中的实际判断需求。
误差如何在运算中累积
表示误差来自输入落在两个可表示浮点数之间;运算误差则来自每次计算结果再次舍入。连续执行大量运算时,每一步都可能引入新的微小偏差,最终误差大小取决于运算顺序、数值尺度和问题本身的敏感程度。
两个近似值相减时,相对误差尤其值得检查。比如数学上 ,但双精度先计算加法时已丢掉 ,最终得到 。例如,一个数只在末尾几位不同,减法会消去前面大量相同的有效数字,使原本很小的表示误差在结果中占据较大比例,这种现象称为灾难性相消。
选择更稳定的处理方式
| 场景 | 不稳健做法 | 更合适的做法 |
|---|---|---|
| 判断两个计算结果是否相等 | 直接使用 == |
使用绝对容差与相对容差 |
| 对大量浮点数求和 | 依赖普通顺序累加 | 使用 math.fsum 或补偿求和 |
| 大小差异明显且有正负混合 | 任意顺序累加 | 保留全部分量,用 math.fsum 减少顺序影响 |
| 两个接近值相减 | 直接套用易相消公式 | 改写为数值稳定的等价公式 |
容差不能随意设置。相对容差按结果规模调整。与零比较时通常要另设绝对容差,例如 isclose(1e-13, 0.0, abs_tol=1e-12) 为真。容差需与任务单位和允许误差一致。金额、计量和科学计算还应根据业务规则选择十进制定点数、整数最小单位或专用高精度类型,而不是默认使用二进制浮点数。
常见误区
- 浮点误差不是语言实现错误,而是有限位二进制表示的必然结果
- 显示为
0.3不代表内部值恰好等于数学上的0.3 - 增加小数显示位数只能暴露误差,不能自动提高计算精度