浮点数精度丢失是二进制表示的天然限制，应按需控制：金额等场景用整数运算（如“元”转“分”），科学计算用高精度十进制类型（如bigdecimal、decimal.js），比较时用误差范围而非==。
浮点数精度丢失不是 bug，而是二进制表示小数的天然限制。关键不在于“完全避免”，而在于“按需控制”——该精确的地方必须精确，可容忍误差的地方不必过度防御。
用整数代替小数参与运算
适用于金额、计数、配置值等对精度敏感的场景。核心思路是把“元”转成“分”，“米”转成“毫米”，让所有计算都在整数域完成。
- Java 中：金额统一存为 long 类型的“分”，如 19.99 元 → 1999 分
- JavaScript 中：0.1 + 0.2 可改写为 (10 + 20) / 100 = 0.3，先乘 10 的幂转整数，算完再除回去
- 注意：直接
0.14 * 100可能得14.000000000000002，建议配合Math.round()或字符串解析获取真实小数位数
使用高精度十进制类型
当业务逻辑天然含小数（如利率、税率、科学测量），且需多次参与运算或比较时，应切换到真正按十进制存储的类型。
- Java：用 BigDecimal，构造时传字符串（
new BigDecimal("0.1")），避免new BigDecimal(0.1)继承 double 的误差 - JavaScript：用 decimal.js 或 bignumber.js，支持链式调用和精度控制，如
new BigNumber(0.1).plus(0.2).toNumber() - Python：用 decimal.Decimal，默认精度 28 位，可显式设置上下文
改掉“相等判断”习惯
float/double 不适合做 == 或 != 判断，尤其在条件分支、循环终止、断言中。
- 正确做法：用误差范围（epsilon）比较，如
Math.abs(a - b) - 区分用途：若用于图形渲染或传感器归一化，
1e-5足够；若用于金融阈值判断，应先转整数或 BigDecimal 再比 - 警惕
/ <code>>：比如判别式 Δ
识别哪些场景可以放心用 float/double
不是所有地方都要“大动干戈”。理解边界，才能合理分配开发成本。
- 图形渲染、音视频编解码、机器学习训练：硬件加速依赖 float，且人眼/人耳对微小误差不敏感
- 传感器原始数据（GPS 坐标、加速度计读数）：设备本身误差远大于浮点表示误差，无需额外处理
- 相对比例计算（如 alpha = 0.7f、归一化向量长度）：只要结果在合理范围内波动，不影响最终视觉或物理表现
