math.isclose 比 == 更可靠，因其用相对误差+绝对误差双阈值处理浮点精度问题；== 直接比较会因二进制表示误差导致 0.1+0.2 != 0.3 等错误。
math.isclose 为什么比 == 更可靠
直接用 == 比较浮点数几乎总会出错，因为二进制浮点表示存在固有精度损失。比如 0.1 + 0.2 在 Python 中不等于 0.3，而是 0.30000000000000004。此时 0.1 + 0.2 == 0.3 返回 False，但业务上你很可能希望它为 True。math.isclose 通过相对误差 + 绝对误差双阈值机制，模拟人类对“足够接近即相等”的判断逻辑。
必须显式传入 abs_tol 的三种典型场景
当比较极小的数（如接近 0）、或需要保证最小容差下限、或处理可能为 NaN/inf 的输入时，abs_tol 不可省略。默认 abs_tol=0.0 会导致：
- math.isclose(1e-20, 0.0) 返回 False（即使相对误差很小，绝对差仍是 1e-20，而默认 abs_tol 不允许任何绝对偏差）
- 若参与比较的数之一是 0.0，相对误差无定义，此时 abs_tol 成为唯一生效的判断依据
- 浮点计算中可能出现 inf 或 nan，math.isclose 对 nan 默认返回 False，但若需自定义行为，必须结合 abs_tol 和显式检查
- 安全写法示例：
math.isclose(a, b, abs_tol=1e-12) - 避免只依赖
rel_tol（默认1e-09），尤其当 a 或 b 接近零时 - 若业务要求“小于 1e-6 就算相等”，直接设
abs_tol=1e-6，别指望rel_tol覆盖
rel_tol 和 abs_tol 的实际作用差异
rel_tol 控制相对误差比例，适用于两个非零数量级相近的比较；abs_tol 控制绝对差值上限，适用于处理零值、跨数量级数据或设定硬性精度底线。
- 例如：
math.isclose(1000.0001, 1000.0002, rel_tol=1e-5)→True（相对误差约1e-7） - 但
math.isclose(1e-10, 2e-10, rel_tol=1e-5)→True，而math.isclose(1e-10, 0.0, rel_tol=1e-5)→False（因分母为 0，相对误差失效） - 加
abs_tol=1e-10后，后者变为True—— 这就是abs_tol的兜底作用
常见误用与静默失败风险
math.isclose 不会抛异常，但某些输入组合会让结果不符合直觉，且无提示：
- 传入
nan：无论另一个数是什么，math.isclose(nan, x)恒为False（包括math.isclose(nan, nan)） - 传入
inf：仅当两数同为+inf或同为-inf时返回True；math.isclose(+inf, -inf)是False - 混合类型：虽然 Python 可能隐式转换，但建议提前确保都是
float，避免int与float混用引发意外精度截断 - 不要在循环中反复调用
math.isclose判断收敛（如迭代算法），应改用明确的差值范数和预设最大步数，否则可能因浮点累积误差导致死循环
真正难的不是调用函数，而是根据具体数值范围和业务语义，合理设置 abs_tol 和 rel_tol —— 这没有通用值，必须结合单位、测量精度、计算路径来定。
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！
