因为0.1在二进制中是无限循环小数，ieee 754双精度只能存储其近似值0.10000000000000000555…，故df['col'] == 0.1逐元素比较时恒为false。
为什么 df['col'] == 0.1 常常返回全 False？
这不是 Pandas 的 bug，而是浮点数在二进制中无法精确表示十进制小数（比如 0.1）导致的。Python 默认用 IEEE 754 双精度存储，0.1 实际存的是近似值 0.10000000000000000555...。所以用 == 直接比较几乎必然失败。
实操建议：
- 永远别用
==比较浮点列和浮点字面量，哪怕看起来“应该相等” - 改用
pandas.testing.assert_series_equal()做断言时加check_exact=False, atol=1e-10 - 筛选数据时用
np.isclose(df['col'], 0.1)或df['col'].between(0.0999999999, 0.1000000001)
用 round()、astype(int) 或 round().astype(int) 安全吗？
不安全——round() 在 Python 3.5+ 中使用“四舍六入五成双”，且 Pandas 的 round() 默认保留浮点类型，没解决根本精度问题；直接 astype(int) 会截断，不是四舍五入；组合用也容易因中间浮点误差放大偏差。
实操建议：
- 若目标是归类（如把
0.123映射为 “0.1”），优先用np.round(df['col'], decimals=1)，它底层调用 NumPy 的稳定舍入逻辑 - 若需转为整数倍（如 cents 转 dollars），先乘以倍数再用
astype(np.int64)：比如(df['price'] * 100).round().astype(np.int64) - 避免链式操作如
df['x'].round(1).astype(int)，中间 round 后仍是 float，可能残留微小误差
用 pd.options.display.float_format 能修复计算结果吗？
不能。pd.options.display.float_format 只控制输出格式（即 print(df) 或 Jupyter 显示时的小数位数），完全不影响底层数值存储或计算逻辑。设置成 '{:.2f}'.format 后，df['a'].iloc[0] 还是原来的双精度值，只是显示成两位小数。
实操建议：
- 仅用于调试查看：设
pd.options.display.float_format = '{:.10f}'.format可暴露真实值，方便排查精度漂移 - 生产代码中不要依赖 display 设置做逻辑判断
- 真正需要固定精度参与运算时，考虑
decimal.Decimal+apply()，但性能差，只适用于小数据或金融关键字段
什么时候该换用 decimal 而不是 float？
当业务要求“绝对精确的十进制算术”——比如会计记账、利率计算、合规审计。Pandas 原生不支持 decimal 列（会自动转为 object 类型，失去向量化优势），但可以强制维持。
实操建议：
- 初始化时用
pd.Series([Decimal('10.05'), Decimal('20.15')])，避免从 float 字面量构造（Decimal(0.1)仍带浮点误差） - 所有运算必须用
decimal对象：加减乘除、quantize()控制小数位，不能混用 float - 注意性能损失：object 列无法使用
.sum()等原生方法，得用.apply(lambda x: x * 1.05)，且不能广播
浮点精度问题本质是计算机表示限制，没有银弹。关键是根据场景选工具：日常分析用 np.isclose 和合理 round；财务核心字段宁可慢，也要上 decimal 并全程隔离 float 输入。
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！
