你有没有遇到过这样的情况：在计算器上 0.1 + 0.2 等于 0.3，但在写代码时，结果却是 0.30000000000000004？别怀疑电脑坏了，这是浮点数“不精确”的典型表现。
数字在计算机里是怎么存的
我们日常用的是十进制，但计算机只认二进制。像 0.5、0.25 这样的数，转换成二进制是有限小数，比如 0.5 就是 0.1（二进制），存储起来没问题。但 0.1 就不一样了，它在二进制中是个无限循环小数 —— 就像 1/3 在十进制中是 0.333… 永远除不尽一样。
计算机内存有限，不可能存下无限位，所以只能截断或四舍五入。这一截，精度就丢了。
IEEE 754 标准的“妥协”
现在大多数编程语言使用的浮点数规则，遵循的是 IEEE 754 标准。它用 64 位来表示一个双精度浮点数：1 位符号，11 位指数，52 位尾数。这 52 位决定了能存多少有效数字。
比如 0.1 实际上在二进制中是：
0.000110011001100110011...这个“1100”会一直循环下去。由于只能保留前 52 位，后面的部分被砍掉，导致存储的值其实是一个近似值。
实际影响有多大
在普通网页开发或数据展示中，这种误差通常可以忽略。但如果你在做金融计算、科学模拟或者网络监控中的流量统计，微小的偏差可能被不断放大。
比如监控系统记录每秒上传的数据量，连续累加多个 0.1GB 的数据包，最后发现总和比预期多了几 MB，排查半天才发现是浮点运算在“捣鬼”。
怎么绕开这个问题
方法一：用整数代替小数。比如金额不用元，改用“分”来算。0.1 元变成 10 分，全是整数运算，自然没误差。
方法二：使用专门的数据类型。Python 有 decimal 模块，Java 有 BigDecimal，这些类型能保持高精度，适合对准确性要求高的场景。
方法三：比较浮点数时别直接用 ==。比如判断 a 是否等于 b，写成 Math.abs(a - b) < 1e-10，只要差距足够小就算相等。
下次看到 0.1 + 0.2 不等于 0.3，别急着重启电脑。它不是 bug，是计算机处理实数时的天然局限。理解它，才能避开它。