0.1 + 0.2 != 0.3 是因ieee 754二进制浮点无法精确表示十进制小数，decimal需用字符串或整数初始化，精度与舍入须显式设置，且不可与float混用。
为什么 0.1 + 0.2 != 0.3 在 Python 里是真的
这不是 Python 的 bug，而是所有遵循 IEEE 754 浮点标准的语言共有的底层限制：二进制无法精确表示大多数十进制小数。0.1 在内存中实际存储的是一个无限循环的二进制近似值，累加后误差放大，导致 0.1 + 0.2 == 0.3 返回 False。金融、科学计算等场景下，这种“看起来对、算起来错”的行为不可接受。
decimal.Decimal 怎么初始化才不会继承浮点误差
直接传入 float 字面量（如 Decimal(0.1)）会先走一遍浮点解析，误差已固化。必须用字符串或整数初始化：
-
Decimal('0.1')✅ 安全，字符串按字面解析 -
Decimal(1) / Decimal(10)✅ 整数运算全程可控 -
Decimal(0.1)❌ 危险，0.1已是近似值
常见误用：从 JSON 或 CSV 读出数字后直接喂给 Decimal()，若源数据是 float 类型，误差已存在。
如何控制 decimal 的精度和舍入行为
decimal 默认精度是 28 位，但舍入策略默认是 ROUND_HALF_EVEN（银行家舍入），不是四舍五入。业务逻辑若要求严格向上/向下取整，必须显式设置：
from decimal import Decimal, getcontext, ROUND_HALF_UP
<p>getcontext().prec = 6 # 全局精度设为 6 位有效数字
getcontext().rounding = ROUND_HALF_UP # 改为传统四舍五入</p><p>result = Decimal('2.675') / Decimal('1') # 得到 Decimal('2.675')
rounded = result.quantize(Decimal('0.01')) # 保留两位小数 → '2.68'</p>
注意：quantize() 的参数必须是 Decimal 实例（如 Decimal('0.01')），不能是 float 或字符串格式错误（如 '0.01' 不带引号会报错）。
和内置 float 混用会怎样
一旦把 Decimal 和 float 放进同一个表达式（比如 Decimal('1.5') + 2.5），Python 会把 Decimal 转成 float 再运算，精度立刻丢失。所有参与运算的数值都得是 Decimal：
- ❌
Decimal('10.5') * 0.2→ 触发隐式转换，结果是float - ✅
Decimal('10.5') * Decimal('0.2')→ 全程高精度 - ✅
Decimal('10.5').multiply(Decimal('0.2'))→ 方法调用更明确
第三方库（如 pandas、numpy）基本不支持 Decimal，混用时容易静默退化为 float，需要格外警惕类型检查。
真正难的不是调用 decimal，而是确保整个数据流——从输入解析、中间计算到输出序列化——每一步都守住 Decimal 类型边界，漏掉任意一环，前面的精度努力就白做了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
