0.1+0.2≠0.3是ieee 754二进制浮点精度限制所致，decimal('0.1')+decimal('0.2')==decimal('0.3')为true；须用字符串初始化decimal，避免float输入失真，全局context控制精度与舍入。
为什么 float 计算 0.1 + 0.2 ≠ 0.3？
这不是 Python 的 bug，而是所有基于 IEEE 754 浮点标准的语言共有的底层限制：0.1 和 0.2 在二进制中是无限循环小数，必须截断存储，导致微小误差累积。比如 0.1 + 0.2 == 0.3 返回 False，实际值是 0.30000000000000004。
当涉及金额、科学计算、金融对账等场景时，这种误差不可接受——这时候不能靠四舍五入“掩盖”，而要从源头替换数值表示方式。
用 Decimal 替代 float 的正确姿势
Decimal 是十进制精确算术，它按字符串或整数初始化，避免了 float 的二进制转换过程。但关键在“怎么传参”：
- ✅ 正确：用字符串初始化，如
Decimal('0.1')或Decimal('1.23')—— 完全保留字面精度 - ❌ 错误：用 float 初始化，如
Decimal(0.1)—— 先产生 float 误差，再包装，毫无意义 - ⚠️ 注意：
Decimal(123)（整数）安全，但Decimal(0.1)不安全；Decimal('0.10')会保留两位小数精度，影响后续运算结果
示例对比：
from decimal import Decimal
print(Decimal('0.1') + Decimal('0.2') == Decimal('0.3')) # True
print(Decimal(0.1) + Decimal(0.2) == Decimal(0.3)) # False（因 float 输入已失真）
decimal.getcontext() 控制全局精度和舍入规则
Decimal 默认精度是 28 位，但精度不是“显示几位”，而是参与运算的**有效数字上限**；舍入方式也会影响结果，尤其在除法、开方等操作中。
- 设置精度：
getcontext().prec = 6表示所有运算最多保留 6 位有效数字（不是小数位） - 设置舍入：
getcontext().rounding = ROUND_HALF_UP（常用银行四舍五入），可选ROUND_DOWN、ROUND_CEILING等 - ⚠️ 全局 context 影响所有后续
Decimal运算，多线程中需用localcontext()隔离
例如：
from decimal import Decimal, getcontext, ROUND_HALF_UP
getcontext().prec = 4
getcontext().rounding = ROUND_HALF_UP
print(Decimal('1') / Decimal('3')) # 结果为 Decimal('0.3333')
和 float / str 互转时的坑
Decimal 不能直接参与 numpy 运算或某些第三方库调用，常需显式转换，但转换点极易出错：
- → float：
float(d)会重新引入二进制误差，仅用于调试打印，绝不可用于后续计算 - → str：
str(d)安全，返回精确十进制字符串；format(d, 'f')可控格式化，但要注意是否触发隐式舍入 - ⚠️ 特别注意：
json.dumps()不支持Decimal，必须预处理为str或float（后者放弃精度） - 数据库交互（如 psycopg2、SQLAlchemy）通常能自动转换
Decimal↔ numeric 字段，但 ORM 映射字段类型需明确设为Numeric而非Float
常见报错如 TypeError: Object of type Decimal is not JSON serializable，就卡在这个环节。
真正麻烦的不是“会不会用 Decimal”，而是记住哪些地方悄悄把 Decimal 挤回了 float——比如一个中间函数返回 float，哪怕只调用一次，整条计算链就失效了。
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！
