decimal是最直接的替代方案：python的float基于ieee 754，无法精确表示0.1+0.2等十进制小数；decimal用字符串初始化、支持可控精度与金融级舍入，专为高精度场景设计，但性能低于float，应仅在输入/输出边界使用。
浮点数精度失控时，decimal 是最直接的替代方案
Python 默认的 float 基于 IEEE 754 双精度，天生无法精确表示 0.1 + 0.2 这类十进制小数。如果你在财务计算、测试断言或配置校验中遇到 0.30000000000000004 != 0.3 这类问题，decimal 是标准库中最轻量、最可控的修复方式。
它用字符串或整数初始化，避免浮点字面量污染：
from decimal import Decimal
# ✅ 正确：从字符串构造
a = Decimal('0.1')
b = Decimal('0.2')
print(a + b) # Decimal('0.3')
<h1>❌ 错误：仍会先走 float 解析</h1><p>c = Decimal(0.1) # 实际是 Decimal('0.1000000000000000055511151231257827021181583404541015625')</p>
decimal 的精度由 getcontext().prec 控制，默认 28 位，可按需调高，但注意：精度提升不免费——每多一位，运算开销线性增长。金融场景通常设为 28 或 32 已足够；设到 100 以上会明显拖慢加减乘除。
需要任意精度或复数/特殊函数时，才考虑 mpmath
mpmath 是独立第三方库，目标不是替代 float，而是支撑数学研究级计算：比如计算 sin(1e10)、伽马函数、高精度积分、复数域下的根号负一运算。它比 decimal 更重，初始化慢，内存占用高，且默认启用动态精度（mp.dps），容易掩盖精度漂移。
常见误用场景：
- 用
mpf('0.1') + mpf('0.2')替代Decimal—— 完全没必要，mpmath没有财务四舍五入模式（如 ROUND_HALF_UP） - 在循环里反复调用
mpmath.sqrt()处理成千上万个普通小数 —— 性能可能比float慢两个数量级
真正适合它的场景：mpmath.quad(lambda x: mpmath.exp(-x**2), [0, mpmath.inf])（高精度数值积分）或 mpmath.zeta(0.5 + 14.1347j)（黎曼 zeta 函数复数点）。
decimal 和 mpmath 都不能直接加速计算
很多人以为换用高精度类型就能“更准更快”，这是误区。精度和性能永远在权衡：float 快，因为 CPU 硬件原生支持；decimal 和 mpmath 全靠 Python 层模拟，所有运算都是软件实现。
实测对比（i7-11800H，Python 3.11）：
-
sum([0.1] * 1000000)：约 0.02 秒 -
sum([Decimal('0.1')] * 1000000)：约 0.8 秒（慢 40 倍） -
sum([mpmath.mpf('0.1')] * 1000000)：约 3.5 秒（慢 175 倍），且内存暴涨
所以策略很明确：只在**必须精确的输入/输出边界**用 decimal（例如解析 JSON 中的金额字符串、生成银行对账单），中间计算若无误差累积风险，仍可用 float；mpmath 则仅限单次关键值计算，绝不放进热循环。
混用 float 和 decimal 是静默陷阱
Python 允许 Decimal(1) + 0.1，但结果是 Decimal 类型，而 0.1 已经是失真浮点数——这个加法从第一步就污染了精度，你却看不出报错。
正确做法只有两条：
- 全程用
Decimal：所有字面量写成字符串，所有外部输入（如input()、json.load()）转Decimal前验证格式 - 必要混用时显式转换并注释风险：
Decimal(str(x))（把float x转成其实际值的字符串再构 Decimal），但要知道这解决不了原始float的表示缺陷
最容易被忽略的是数据库交互：sqlite3 默认把 REAL 字段读成 float，即使存的是 '1.01'。必须注册转换器：sqlite3.register_converter("DECIMAL", lambda s: Decimal(s.decode()))，并在连接时启用 detect_types=sqlite3.PARSE_DECLTYPES。
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！
