浮点数因二进制无法精确表示十进制小数（如0.1、0.2）而存在舍入误差，导致0.1+0.2==0.3为False；应使用math.isclose()或abs(a-b)
浮点数在计算机里根本存不准
二进制无法精确表示大多数十进制小数，比如 0.1 和 0.2 在 IEEE 754 双精度下都是无限循环二进制小数，存储时被截断。相加后结果是 0.30000000000000004，而不是数学意义上的 0.3。
这不是 Python 的 bug，是所有遵循 IEEE 754 的语言（C、Java、JavaScript 等）共有的底层限制。
直接用 == 比较浮点数几乎总是错的
以下写法在绝大多数场景下都会出问题：
0.1 + 0.2 == 0.3 # False a = 0.1 + 0.2 b = 0.3 a == b # False
- 即使看起来“相等”，只要涉及计算，就可能因舍入误差导致
==返回False -
math.isclose()是 Python 3.5+ 官方推荐方案，它用相对误差 + 绝对误差双阈值判断 - 默认容差是
rel_tol=1e-09、abs_tol=0.0，对大多数场景够用；但科学计算或高精度需求需显式调大abs_tol
math.isclose() 怎么用才靠谱
正确用法示例：
立即学习“Python免费学习笔记（深入）”；
import mathmath.isclose(0.1 + 0.2, 0.3) # True math.isclose(1e-9, 0.0, abs_tol=1e-10) # False（太小了） math.isclose(1e-9, 0.0, abs_tol=1e-8) # True（显式放宽绝对容差）
- 涉及接近零的数时，必须设
abs_tol，否则仅靠相对容差会失效（因为相对误差分母为零或极小） - 不要依赖默认
rel_tol处理数量级差异大的数，比如比较1e-15和1e-5 - 如果项目不支持 Python 3.5+，可用等效逻辑：
abs(a - b)
什么时候该用 decimal 或 fractions
当业务逻辑要求**十进制精度可预测**时（如金融计算、会计、测试断言），float 本身就不该出现：
-
decimal.Decimal('0.1') + decimal.Decimal('0.2') == decimal.Decimal('0.3')→True -
fractions.Fraction(1, 10) + fractions.Fraction(2, 10) == fractions.Fraction(3, 10)→True -
Decimal需传字符串初始化，传float（如Decimal(0.1)）会先引入浮点误差，等于白用 - 性能比
float差一个数量级，别在热路径滥用
浮点比较的坑不在语法，而在默认思维——人脑按十进制算，机器按二进制存。绕开它的唯一办法，是每次做比较前，先想清楚：这里到底要“数学相等”，还是“足够接近”。
