合理的误差阈值（epsilon）是用于判断浮点数是否“足够接近”的极小正数，应依数值量级动态选择；number.epsilon适用于1附近，大数或小数需用相对误差阈值math.abs(a - b)
JavaScript 中浮点数精度问题无法完全避免，但可通过合理定义误差阈值（epsilon）来判断两个浮点数是否“足够接近”，从而规避直接用
===或==比较带来的误判。什么是合理的误差阈值（epsilon）
误差阈值是一个极小的正数，用于界定两个浮点数在多大范围内可视为相等。它不是固定常量，而应根据计算场景和数值量级动态选择。
- 默认推荐值：
Number.EPSILON（约2.220446049250313e-16）适用于1附近的数，是1与下一个可表示浮点数之间的差值；- 不适用于大数或小数：例如
1e10 + Number.EPSILON === 1e10为true，因为精度已丢失；- 更稳健的做法：使用相对误差阈值，即
epsilon * Math.max(Math.abs(a), Math.abs(b))，兼顾数量级差异。如何安全比较两个浮点数
直接
a === b在浮点运算后往往不可靠（如0.1 + 0.2 !== 0.3），应封装为带容错的比较函数：
- 基础版本（固定 epsilon）：
Math.abs(a - b) ；- 推荐版本（相对容差）：
Math.abs(a - b) ；- 注意边界情况：若
a和b都为0，相对误差会失效，需单独处理或改用绝对容差。常见场景下的阈值选择建议
不同用途对精度要求不同，阈值应匹配实际需求：
- 金融计算：通常用整数单位（如“分”）避免浮点，若必须用浮点，建议绝对阈值
1e-6或更严（如1e-12）；- 图形/物理引擎：坐标或向量比较常用
1e-5到1e-8，取决于单位尺度；- 科学计算：需结合算法误差分析，有时采用
10 × machine epsilon × max(|a|, |b|)作为经验上限。避免常见误区
设定阈值时容易忽略的关键细节：
- 不要对所有场景硬编码
Number.EPSILON；- 不要混淆“舍入误差”和“算法误差”——前者可用 epsilon 补偿，后者需改进算法；
- 避免在循环中频繁创建新 epsilon 值，可预计算或封装为工具函数提升可读性与复用性。
不复杂但容易忽略：阈值不是越小越好，而是要与你的数据范围和业务容忍度匹配。
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
