math.fsum() 使用精确的补偿求和算法（Kahan-Babuska-Neumaier），可消除中间舍入误差；而普通循环累加因反复截断导致累积误差，本例中差值恰好为 32.0，凸显浮点精度陷阱。
`math.fsum()` 使用精确的补偿求和算法（kahan-babuska-neumaier），可消除中间舍入误差；而普通循环累加因反复截断导致累积误差，本例中差值恰好为 32.0，凸显浮点精度陷阱。
在 Python 中对大量浮点数求和时，看似等价的两种方式——math.fsum() 和手动 for 循环累加——可能产生显著不同的结果。这并非 bug，而是底层数值算法设计的根本差异所致。
math.fsum() 实现的是高精度补偿求和算法（改进版 Kahan 求和），它在每次加法中显式追踪并修正舍入误差。该算法将所有数字分解为二进制尾数，按位对齐后逐位累加，并维护一个“误差补偿项”，确保最终结果是输入浮点数的精确数学和的最接近浮点表示（即：无累积舍入损失）。其时间复杂度为 O(n)，但常数因子略高，换来的是数值稳定性。
相比之下，朴素循环：
s = 0.0
for x in nums:
s += x # 每次 += 都是一次独立的双精度浮点加法，前一次结果的舍入误差会带入下一次
本质上是执行 n−1 次 IEEE 754 双精度加法，每次运算都可能引入最多 0.5 ULP（Unit in the Last Place）的舍入误差，且误差会传播、放大。尤其当数值量级大（如本例中 ~2.6e16）而数量多（9 个）时，低位有效数字极易在对齐过程中被截断。
以题中数据为例：
nums = [26015151255025000.] * 9 # 精确和 = 234136361295225000.0 （整数，无舍入） # math.fsum(nums) → 234136361295224992.0 （误差 = −8.0） # loop sum → 234136361295224960.0 （误差 = −40.0） # 差值 = 32.0
二者均未达到理论真值（因双精度仅约 15–17 位十进制有效数字，而 2.6e16 × 9 ≈ 2.34e17，已逼近 float 表示上限），但 fsum 的误差（−8.0）比循环（−40.0）小 5 倍——这正是补偿机制生效的体现。
⚠️ 注意事项：
- math.fsum() 不适用于非有限数（inf、nan），会抛出 ValueError；
- 它比内置 sum() 或循环慢约 2–5 倍，但精度优势在金融计算、科学模拟、累计统计等场景不可替代；
- 若需更高精度，应切换至 decimal.Decimal（牺牲性能换绝对精度）或 fractions.Fraction（适用于有理数）；
- 内置 sum() 函数在 CPython 中对 float 输入做了优化，但仍采用朴素累加逻辑，精度表现与手动循环一致，并非 fsum 的替代品。
✅ 最佳实践：
当求和结果的精度直接影响业务逻辑（如余额校验、误差敏感迭代）时，始终优先使用 math.fsum()；仅在明确接受精度妥协且性能为首要目标时，才选用 sum() 或循环。
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！
