在Python中如何使用pytest断言浮点数精度问题-Python教程-PHP中文网

pytest中浮点数断言应避免==，因二进制精度限制导致0.1+0.2≠0.3；须用pytest.approx()（支持标量/结构、动态容差）或numpy.testing.assert_allclose()（适合NumPy数组、atol/rtol语义明确）。

在python中如何使用pytest断言浮点数精度问题

pytest里直接用==比较浮点数为什么总失败

因为浮点数在计算机中是二进制近似表示，0.1 + 0.2 不等于 0.3，而是 0.30000000000000004。直接写 assert a == b 很容易因微小舍入误差报 AssertionError，这不是代码逻辑错，是浮点表示局限。

实操建议：

永远不要对浮点数用 == 断言相等，除非你明确知道两个值来自同一计算路径且未经过任何中间转换
用 pytest.approx() 替代，它默认容忍 1e-6 相对误差（或绝对误差，取决于值大小）
pytest.approx() 支持标量、列表、元组、字典甚至嵌套结构，自动递归比对

如何用pytest.approx()控制精度容差

pytest.approx() 的容差不是固定小数位，而是按数值大小动态选择相对/绝对误差策略。但你可以显式指定：

常见用法示例：

import pytest
<p>result = 0.1 + 0.2
assert result == pytest.approx(0.3)                    # 默认容差，够用
assert result == pytest.approx(0.3, abs=1e-10)        # 强制绝对误差 ≤ 1e-10
assert result == pytest.approx(0.3, rel=1e-3)         # 强制相对误差 ≤ 0.1%
assert [1.01, 2.001] == pytest.approx([1.0, 2.0], abs=0.01)  # 列表整体容差
</p>

注意：abs 和 rel 可同时传，满足任一即通过；若只传 rel 而待测值为 0，会退回到 abs 检查（否则除零）。

对比numpy.testing.assert_allclose的适用场景

如果你项目已重度依赖 NumPy，numpy.testing.assert_allclose() 更适合批量数组断言，尤其带 atol/rtol 参数语义更明确：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

import numpy as np
<p>a = np.array([0.1, 0.2])
b = np.array([0.10000001, 0.20000001])
np.testing.assert_allclose(a, b, atol=1e-8)  # 清晰区分绝对/相对容差
</p>

但它不兼容非 NumPy 对象（比如纯 Python list），也不像 pytest.approx() 那样能直接用于 assert 表达式右侧；出错时提示信息也更偏向调试而非测试报告。

选哪个？

单值、简单结构、纯 Python 项目 → 用 pytest.approx()
涉及 np.ndarray、需要精细控制 atol/rtol、已有大量 NumPy 测试 → 用 np.testing.assert_allclose()

容易忽略的边界情况和坑

几个真实踩过的点：

pytest.approx(0) 默认用 abs=1e-12，但若你传 rel=1e-3 且期望值为 0，它不会报错，而是悄悄退到绝对容差——这点文档没强调，容易误以为“相对误差生效了”
嵌套字典中某个 float 值超差，错误提示只显示顶层 key，不展开路径，排查要手动二分；建议对复杂结构先抽离关键字段再断言
在 parametrize 中用 pytest.approx() 作预期值没问题，但别把它当变量名传进 fixture——approx 对象不可哈希，会导致 TypeError: unhashable type

浮点断言真正的难点不在语法，而在判断“这个容差是否业务可接受”。比如金融计算要求 abs=1e-2（分），科学模拟可能要 rel=1e-15；得跟领域逻辑对齐，不能全靠默认值蒙混过关。