pd.options.display.float_format = lambda x: f'{x:.2f}'可全局控制浮点数显示位数，但仅影响显示不改变数据；需用round()修改实际数值；jupyter中style.format()支持列级差异化格式。
用 pd.options.display.float_format 全局控制小数位数
这是最常用也最直接的方式，它会影响所有后续输出的浮点数显示（包括 print(df)、Jupyter 中的自动展示等）。原理是设置一个格式化字符串函数，对每个浮点值做 format() 处理。
常见错误是直接赋值字符串（比如 pd.options.display.float_format = '{:.2f}'），这会报 TypeError: 'str' object is not callable —— 因为 Pandas 要求它是一个可调用对象。
- 正确写法：用
lambda包一层，例如pd.options.display.float_format = lambda x: f'{x:.2f}' - 如果只想对特定列生效，这个方式不适用；它属于全局开关
- 注意：该设置不会改变数据本身精度，只影响显示；
df.dtypes和数值计算不受影响 - 恢复默认显示：设为
None，即pd.options.display.float_format = None
用 round() 临时修改 DataFrame 数值精度
当你需要真正把小数截断/四舍五入成指定精度并参与后续计算时，round() 是唯一可靠的选择。它返回新 DataFrame（或原地修改，取决于 inplace 参数），数据值本身被更改。
- 对全部数值列：
df.round(2) - 只对某几列：
df.round({'col_a': 2, 'col_b': 0}) - 注意：
round()遵循“四舍六入五成双”规则（银行家舍入），不是简单四舍五入；如需严格截断，得用np.floor(df * 100) / 100这类组合 - 性能影响：对大 DataFrame 会触发一次完整拷贝和计算，比纯显示控制慢一个数量级
在 Jupyter 中用 style.format() 实现列级差异化格式
Jupyter 环境下，df.style.format() 是最灵活的显示控制方式，支持每列不同格式，且不影响原始数据，也不污染全局设置。
- 单列格式：
df.style.format({'price': '{:.2f}', 'rate': '{:.1%}'}) - 全数值列统一格式：
df.style.format('{:.3f}') - 传函数更自由：
df.style.format({'score': lambda x: '★' * int(x) if x - 注意：该方法只在 Jupyter / IPython 环境有效；导出 HTML 时保留样式，但转成 CSV 或 print 时无效
- 不能链式调用
.round()或其他计算方法——style是展示层对象，不是 DataFrame
为什么 set_option('display.precision', N) 不推荐
pd.set_option('display.precision', 2) 看似简洁，但它控制的是科学计数法阈值和总有效数字位数，不是小数位数。实际效果常令人困惑：
- 对
0.00123，设precision=2显示为0.0012（2 位有效数字），不是0.00 - 对
1234.567，同样设precision=2会变成1.2e+03，而非1234.57 - 它还受
display.chop_threshold影响，行为不稳定，调试困难 - 除非你明确需要控制有效数字（比如物理实验数据），否则避开这个选项
真正要控小数位，就老实用 float_format 或 style.format()。别指望 precision 做它不该做的事。
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！
