IEEE 754 浮点数标准：深入理解计算机算术原理
如果您从事过编程工作，很可能遇到过一个奇怪的现象：0.1 + 0.2 并不等于 0.3。相反，您会得到类似 0.30000000000000004 的结果。这并不是您所用编程语言的 bug，而是计算机使用 IEEE 754 标准表示实数的必然结果。
在本指南中，我们将揭开 IEEE 754 标准的神秘面纱，解释浮点数是如何存储的，并为在代码中处理精度问题提供实用建议。
什么是 IEEE 754？
IEEE 浮点算术标准 (IEEE 754) 是应用最广泛的浮点计算标准。它于 1985 年确立，定义了实数在二进制中的表示格式及其运算规则。
最常见的格式包括：
- 单精度 (32 位)：在 C/C++/Java 中对应
float。 - 双精度 (64 位)：在 C/C++/Java 中对应
double，也是 JavaScript 和 Python 中的默认数字类型。
核心原理：浮点数的结构
浮点数的表示方式类似于科学计数法 ($1.23 \times 10^4$)，只不过是二进制形式。它由三部分组成：
- 符号位 (1 位)：
0表示正数，1表示负数。 - 指数 (Exponent)：决定数字的缩放范围。
- 尾数 (Mantissa/Significand)：表示有效数字。
64 位双精度布局：
- 符号位：1 位
- 指数：11 位
- 尾数：52 位
计算公式为： $(-1)^{sign} \times (1.mantissa) \times 2^{exponent - bias}$
为什么 $0.1 + 0.2 \neq 0.3$？
根本原因是大多数十进制小数无法在二进制中精确表示。
- 在十进制中，如果一个分母的质因数只有 2 和 5（10 的因数），则该分数可以精确表示。
- 在二进制中，只有当分母的质因数只有 2 时，分数才能精确表示。
$0.1$ 等于 $1/10$。由于 10 包含因数 5，它在二进制中变成了一个无限循环序列：
0.00011001100110011...
计算机必须截断这个无限序列以适应 32 位或 64 位的存储空间，从而导致了我们看到的微小误差。
特殊值
IEEE 754 还定义了几个特殊值来处理边界情况：
- NaN (Not a Number)：未定义运算的结果（如
0/0）。 - Infinity ($\infty$)：溢出或除以零的结果（如
1/0）。 - 负零 (-0)：在某些计算中与正零有所区别。
开发者最佳实践
- 永远不要用
==比较浮点数：始终检查差值是否小于一个极小值 (epsilon)。if (Math.abs(0.1 + 0.2 - 0.3) < Number.EPSILON) { ... } - 涉及货币时使用定点数：对于财务计算，请使用专门的库（如
decimal.js）或将数值存储为整数（例如以“分”为单位而不是“元”）。 - 注意数值范围：双精度可以表示非常大的数字，但随着数值增大，精度会降低。
常见问题 FAQ
问：浮点数运算是非确定性的吗？ 答：通常不是。给定相同的输入和相同的舍入模式，IEEE 754 应该产生相同的结果。但是，不同的编译器或 CPU 指令（如 FMA）可能会导致细微差异。
问：什么是 "BigInt"？ 答：JavaScript 中的 BigInt 用于处理任意精度的整数。它不能处理小数。对于小数，您需要 Decimal 库。
问：双精度有多少位十进制精度？ 答：一个 64 位双精度浮点数大约有 15 到 17 位有效十进制数字。