先给结论：浮点数直接拿 == 比相等，基本是在跟自己过不去。

0.1 和 0.2 在二进制里都是无限循环小数，存进 IEEE 754 的时候就已经被截过一遍了。两个数各自舍入再相加，结果跟 0.3 的二进制表示差了那么一截尾数。打印出来看着都是 0.3，但 0.1 + 0.2 == 0.3 返回的是 false。我头回踩这坑是算一笔账，循环累加了一百次，最后跟预期对不上，盯着屏幕发了半天呆。

正确姿势是用误差阈值，也就是 epsilon，判断 abs(a - b) < 1e-9 就当相等。要是碰上钱，别用 float，老老实实上整数分或者 decimal 类型，那才稳。

这坑谁都得踩一回，踩完就长记性了。

盯着屏幕发呆那段我太能共鸣了。btw 我也有一回对着一串小数相加的结果反复确认，越看越觉得自己算错了，最后才发现是浮点数的锅。那种"明明看着对、程序偏说不对"的错愕，真的挺微妙的。

楼主说的用 epsilon 判断这点我很认同，尤其是钱相关真别偷懒用 float。会好的我后来养成习惯，碰到金额就直接上整数分，省得哪天又踩回去。你那句"这坑谁都得踩一回"是呢，踩过一次就再也忘不掉，也算长记性的方式。

嗯嗯别担心，下次再遇到对不上的，先怀疑浮点而不是怀疑自己，会轻松很多~

整数分这招没get到，是存的时候全乘100再除回来吗，蹲个楼主详解哈

0.1 加 0.2 不等于 0.3，这个道理我早有耳闻，可你写"盯着屏幕发了半天呆"那一句，把我绊住了。

真正触动我的倒不是这个坑，而是它反过来照出的一桩事：我们眼睛里看到的"相等"，常常是显示函数替我们四舍五入后的善意。真正的 0.3 在机器里从没干净地存在过，它一直是个被修饰过的近似值。这让我无端想起人与人的相处——很多时候我们以为彼此已经"完全对齐"了，其实底层的尾数早差了一截，只是没人把它们展开到足够的精度去看罢了。
仔细想想
你说的 epsilon 我很受用。abs(a-b) < 1e-9 就当相等，这种"留出余地"的判等，比生硬的等号温柔得多。它先承认了不完美，又给关系留了一处容身之地。不过我想补一句：epsilon 也不是万灵药。它在数值都挨着 1 的时候好使，可一旦 a 和 b 量级差得远，比如一个是一亿、另一个才零点几，固定的 1e-9 就太小了，这时候得看相对误差，或者先把数量级配平。其实等号这件事，原来在不同的尺度上，要配不同的宽容。

钱那一段最合我意。算账老老实实上整数分，朴素，却稳当。我一向偏爱这种不花哨的稳妥，花哨的经看不经用，朴素的才扛得住反复。

你那句"踩完就长记性"说得轻巧，话说回来，你后来那笔账，到底对上了没有？

我怎么听说的版本不太一样，我们学校有个学长去年做课设也碰过这个，他跟我讲的时候我还以为在说啥玄学(￣▽￣)

楼主你那个"循环累加一百次最后对不上"真勾起我好奇心了，你到底在算什么账呀？差出多少才让你盯着屏幕发呆的？突然想到我之前帮人核对明细也是怎么加都跟总数差几毛，后来发现是四舍五入的锅，跟你这感觉像又不太一样。
哦
话说回来，你说钱别用float要用decimal，这个我记下来了。但我更想问的是，要是老系统已经用float存了一大堆数据，后来才发现错了，那是要全部重算还是咋补救？대박 这里头是不是还有更深的坑没人敢讲

楼主把 epsilon 当终点，我得往前再捅一截：abs(a-b) < 1e-9 这套「正确姿势」本身也是个坑，专坑刚长记性的人。

固定阈值只对数值量级在 1 附近晃的场景成立。你拿它去比两个上亿的数，差个 1e-9 连毛都不算；反过来两个量都是 1e-10 级别，1e-9 的阈值直接把一切「不相等」都判成相等。可以可以正经写法得用相对误差，abs(a-b)/max(|a|,|b|) < eps，或者按数量级动态挑阈值。好多人踩完浮点相等的坑，转头掉进「固定 epsilon」的坑，坑中坑。

钱那块也补一句，decimal 不是免死金牌。它只是把误差从二进制挪到十进制，base-10 照样有除不尽的数，1/3 用 decimal 也截。真要对账稳，整数分加显式舍入规则才是王道，decimal 不过帮你少写两行转换代码。

我当年在大厂搞结算也被这玩意儿咬过，循环累加几百笔，尾差攒到分位，对账系统半夜狂报。盯着日志那会儿真想把显示器吃了。

所以下次谁跟你说「用 epsilon 就行」，记得反手问一句：你那 epsilon 是按什么尺度定的？

楼主说盯着屏幕发呆那段我直接共情 上次自己对一笔数死活对不上 折腾半天才发现是四舍五入吃掉的尾数 从此跟钱沾边的全改成整数分 谁爱用float谁用 不过epsilon这招我默默存了 以后写点小脚本能保命

盯着屏幕发呆那段太真实了，我头回碰上这种对不上的时候也是一脸懵，明明每一步都觉得自己没写错，结果就是差那么一小截，那种怀疑自己哪儿漏了的感觉挺折磨人的。

关于钱那块我挺认同的，确实不该图省事用 float，整数分或者 decimal 才稳。不过 epsilon 那个阈值我想补一句，1e-9 真不是万能的，数值量级一大它可能就不够看了，还是得跟着实际业务的尺度走，不然换个场景又得踩一回。理解的

这坑踩过一次就长记性了，谢谢楼主写这么清楚

想当年这版里好像聊过一回差不多的事，今天又撞见，顺手补两句。

楼主那个 epsilon 法子没错，但有个坑容易接着踩：eps 取多少，得看你比的数有多大。1e-9 在 1 附近挺合适，可你要比的是上亿的量，double 在那个量级相邻的步长大约是一亿分之一出头，你拿 1e-9 当尺，尺子比机器最小的刻度还细，量出来的"不等"往往只是浮点精度到头；反过来比接近零的微小增量，1e-9 又太宽，把本该分开的也糊成一团。正经写法要么用相对误差 abs(a-b) <= eps*max(|a|,|b|)，要么直接数 ULPs，那才是在量"差几个最小步长"，不是拍个死数。

“打印出来看着都是 0.3” 这点更微妙。其实你看到的 0.1 也不是真 0.1——它只是某个 double 能 round 回去的最短字符串。后来 Python 把 repr 定成"挑最短、且 parse 得回原值"的串，于是 0.1 打印出来正好是 ‘0.1’，而 0.1+0.2 那个 double 的最短表示偏偏是一长串 0.30000000000000004，藏不住，才显得诚实过头。显示层一直在替你遮那道缝，平时没事，一算账就露馅。
仔细想想
坦白讲btw 钱那块想补一句：decimal 不是银弹，慢，且有自己的精度天花板，只不过那道天花板按十进制摆，恰好贴合账目语义。真要图省心，整数分往往最稳，连 decimal 的包袱都省了。decimal 真正的价值是"语义上的 0.1 就是 0.1"，而不是算得差不多。
说实话
说白了浮点这东西妙就妙在它明摆着是个近似，逼着你先想清楚"相等"到底指什么。你们平时碰上这种，是老老实实上 decimal，还是整数分怼到底？

盯着屏幕发半天呆那下谁懂啊。我也被这坑绊过，还以为自己算错了，结果是电脑先动了手脚。钱还是整数分最稳。

我算奶茶钱也翻过车 0.1+0.2 直接给我整不会 后来老老实实全改整数分了 ok

循环累加一百次那个我太熟，之前发帖说钱被浮点数吃了就是这坑。老老实实上decimal真香。