浮点数 == 比较总返回 false，因 0.1、0.2 在二进制中为无限循环小数，ieee 754 双精度截断导致 0.1 + 0.2 实际为 0.30000000000000004，与 0.3 的近似值不同；math.isclose() 更可靠。
浮点数 == 比较为什么总返回 False
因为 0.1、0.2 这类十进制小数在二进制中是无限循环小数，IEEE 754 双精度只能存 52 位尾数，必须截断——所以 0.1 + 0.2 实际存储的是 0.30000000000000004，而 0.3 存的是另一个近似值，两者内存表示不同，== 自然返回 False。这不是 Python 的 bug，Java、C、JavaScript 全都一样。
math.isclose() 的 rel_tol 和 abs_tol 怎么设
直接用 math.isclose(a, b) 比手写 abs(a - b) 更稳妥，因为它同时考虑相对误差和绝对误差：
-
rel_tol=1e-09（默认）适合比较数量级相近的数，比如123.456和123.457 -
abs_tol=1e-09（默认）必须显式设，尤其当其中一个数接近 0 时——否则rel_tol在分母趋近 0 会失效，比如判断result是否收敛到0.0 - 金融场景慎用
math.isclose：它仍是浮点运算，建议先转整数或Decimal再比
Decimal('0.1') + Decimal('0.2') == Decimal('0.3') 为什么能成立
因为 Decimal 是十进制精确算术，不经过二进制转换：
- ✅ 必须用字符串初始化：
Decimal('0.1')—— 字面量精度被完整保留 - ❌ 绝对不能用 float 初始化：
Decimal(0.1)—— 此时0.1已经是二进制近似值，再包装也没用 - ⚠️
getcontext().prec控制的是有效数字位数，不是小数位数；多线程中要用localcontext()隔离，避免互相污染
哪些场景其实可以放心用 float ==
不是所有地方都要上 Decimal 或容差判断：
- 图形渲染坐标、归一化向量长度、机器学习训练中的梯度更新：硬件加速依赖 float，人眼/模型对
1e-5级误差不敏感 - GPS 坐标、加速度计原始读数：设备自身误差（米级、百分之一 g）远大于浮点表示误差
- 但凡涉及金额、阈值触发、单元测试断言、收敛判断——一律禁用
==
真正容易被忽略的，是那些“看起来安全”的边界情况：比如用 while x != 1.0: 控制循环，一旦 x 因累加误差变成 0.9999999999999999，就卡死；或者把 float 直接塞进字典键，导致重复插入。
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！
