怎么在Python中用NumPy解决浮点数精度丢失问题-Python教程-PHP中文网

np.float64算错是因IEEE 754双精度无法精确表示0.1等十进制小数，属二进制固有限制；np.float128仅在Linux/macOS+GCC下提升精度，Windows多无效；Decimal+object数组可精确但丧失向量化；工程中宜用np.allclose、高精度累加、字符串预读等策略平衡精度与性能。

怎么在python中用numpy解决浮点数精度丢失问题

为什么 `np.float64` 依然会算错？

不是 NumPy 不够准，而是底层用的 IEEE 754 双精度浮点数——它根本存不了 0.1 这种十进制小数。比如 0.1 + 0.2 == 0.3 返回 False，这不是 bug，是二进制表示的天然限制。NumPy 默认所有浮点数组都是 np.float64，所以照样踩坑。

什么时候该换 `np.float128`？

np.float128 在支持扩展精度的平台（Linux/macOS + GCC）上能提供约 34 位十进制精度，比 float64 多一倍，适合中间计算高敏感场景，比如数值积分、条件数大的矩阵求逆。

但要注意：

Windows 上多数 Python 发行版（包括 Anaconda）的 np.float128 实际就是 float64，没提升
它不兼容 pickle 序列化，保存数组可能失败
部分 ufunc（如 np.log）在 float128 上可能回退到 float64 计算，结果反而“降级”
声明方式必须显式： np.array([0.1, 0.2], dtype=np.float128)，不能靠自动推断

更靠谱的替代方案：用 `decimal` + NumPy 手动桥接

如果业务逻辑本质是“钱、计量、配置值”这类必须精确十进制的场景，别硬扛浮点——改用 Python 原生 decimal.Decimal，再套一层 NumPy 数组包装。

示例做法：

Python Hardener

通过完整的安全审查、代码整洁重构、健壮的错误处理、正确的日志记录以及完整的文档字符串覆盖，强化 Python 脚本。

下载

from decimal import Decimal
import numpy as np
<h1>构造精确十进制数组（注意：dtype=object）</h1><p>arr = np.array([Decimal('0.1'), Decimal('0.2'), Decimal('0.3')], dtype=object)
result = arr[0] + arr[1]  # Decimal('0.3')
print(result == Decimal('0.3'))  # True
</p>

缺点也很明显：

失去向量化运算能力：arr + arr 会触发 Python 原生循环，慢一个数量级
不能直接传给 SciPy 函数（比如 scipy.linalg.eig），会报 TypeError: no supported conversion
内存占用翻倍以上，dtype=object 存的是指针，不是紧凑数值

真正实用的工程策略：容忍 + 校验

90% 的科学计算不需要“绝对精确”，需要的是“可控误差”。NumPy 提供了现成工具：

比较用 np.allclose(a, b, atol=1e-10)，别用 ==
求和累积误差大时，改用 np.sum(arr, dtype=np.float128) 指定高精度累加器（即使平台不支持 float128，也会 fallback 到 float64 安全执行）
读取 CSV 或 JSON 里的小数时，先用 pd.read_csv(..., dtype=str) 读成字符串，再转 Decimal，避免 float 解析阶段就失真
调试时用 np.set_printoptions(precision=17) 看清真实值，而不是被默认 8 位截断误导