转载:浅谈Double 与 Float 的坑与解决办法
Posted liuxiaoddd
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了转载:浅谈Double 与 Float 的坑与解决办法相关的知识,希望对你有一定的参考价值。
老大说:谁要再用double定义商品金额,就自己收拾东西走
先看现象
涉及诸如float
或者double
这两种浮点型数据的处理时,偶尔总会有一些怪怪的现象,不知道大家注意过没,举几个常见的栗子:
典型现象(一):条件判断超预期
复制代码
1 2 |
|
典型现象(二):数据转换超预期
复制代码
1 2 3 4 |
|
典型现象(三):基本运算超预期
复制代码
1 2 3 |
|
典型现象(四):数据自增超预期
复制代码
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 |
|
看到没,这些简单场景下的使用情况都很难满足我们的需求,所以说用浮点数(包括double
和float
)处理问题有非常多隐晦的坑在等着咱们!
怪不得技术总监发狠话:谁要是敢在处理诸如 商品金额、订单交易、以及货币计算时用浮点型数据(double
/float
),直接让我们走人!
原因出在哪里?
我们就以第一个典型现象为例来分析一下:
复制代码
System.out.println( 1f == 0.99999999f );
直接用代码去比较1
和0.99999999
,居然打印出true
!
这说明了什么?这说明了计算机压根区分不出来这两个数。这是为什么呢?
我们不妨来简单思考一下:
我们知道输入的这两个浮点数只是我们人类肉眼所看到的具体数值,是我们通常所理解的十进制数,但是计算机底层在计算时可不是按照十进制来计算的,学过基本计组原理的都知道,计算机底层最终都是基于像
010100100100110011011
这种0
、1
二进制来完成的。
所以为了搞懂实际情况,我们应该将这两个十进制浮点数转化到二进制空间来看一看。
十进制浮点数转二进制 怎么转、怎么计算,我想这应该属于基础计算机进制转换常识,在 《计算机组成原理》 类似的课上肯定学过了,咱就不在此赘述了,直接给出结果(把它转换到IEEE 754 Single precision 32-bit
,也就float
类型对应的精度)
复制代码
1.0(十进制)
↓
00111111 10000000 00000000 00000000(二进制)
↓
0x3F800000(十六进制)
复制代码
0.99999999(十进制)
↓
00111111 10000000 00000000 00000000(二进制)
↓
0x3F800000(十六进制)
果不其然,这两个十进制浮点数的底层二进制表示是一毛一样的,怪不得==
的判断结果返回true
!
但是1f == 0.9999999f
返回的结果是符合预期的,打印false
,我们也把它们转换到二进制模式下看看情况:
复制代码
1.0(十进制)
↓
00111111 10000000 00000000 00000000(二进制)
↓
0x3F800000(十六进制)
复制代码
0.9999999(十进制)
↓
00111111 01111111 11111111 11111110(二进制)
↓
0x3F7FFFFE(十六进制)
哦,很明显,它俩的二进制数字表示确实不一样,这是理所应当的结果。
那么为什么0.99999999
的底层二进制表示竟然是:00111111 10000000 00000000 00000000
呢?
这不明明是浮点数1.0
的二进制表示吗?
这就要谈一下浮点数的精度问题了。
浮点数的精度问题!
学过 《计算机组成原理》 这门课的小伙伴应该都知道,浮点数在计算机中的存储方式遵循IEEE 754 浮点数计数标准,可以用科学计数法表示为:
只要给出:符号(S)、阶码部分(E)、尾数部分(M) 这三个维度的信息,一个浮点数的表示就完全确定下来了,所以float
和double
这两种浮点数在内存中的存储结构如下所示:
1、符号部分(S)
0
-正 1
-负
2、阶码部分(E)(指数部分):
- 对于
float
型浮点数,指数部分8
位,考虑可正可负,因此可以表示的指数范围为-127 ~ 128
- 对于
double
型浮点数,指数部分11
位,考虑可正可负,因此可以表示的指数范围为-1023 ~ 1024
3、尾数部分(M):
浮点数的精度是由尾数的位数来决定的:
- 对于
float
型浮点数,尾数部分23
位,换算成十进制就是2^23=8388608
,所以十进制精度只有6 ~ 7
位; - 对于
double
型浮点数,尾数部分52
位,换算成十进制就是2^52 = 4503599627370496
,所以十进制精度只有15 ~ 16
位
所以对于上面的数值0.99999999f
,很明显已经超过了float
型浮点数据的精度范围,出问题也是在所难免的。
精度问题如何解决
所以如果涉及商品金额、交易值、货币计算等这种对精度要求很高的场景该怎么办呢?
方法一:用字符串或者数组解决多位数问题
校招刷过算法题的小伙伴们应该都知道,用字符串或者数组表示大数是一个典型的解题思路。
比如经典面试题:编写两个任意位数大数的加法、减法、乘法等运算。
这时候我们我们可以用字符串或者数组来表示这种大数,然后按照四则运算的规则来手动模拟出具体计算过程,中间还需要考虑各种诸如:进位、借位、符号等等问题的处理,确实十分复杂,本文不做赘述。
方法二:Java的大数类是个好东西
JDK早已为我们考虑到了浮点数的计算精度问题,因此提供了专用于高精度数值计算的大数类来方便我们使用。
在前文《不瞒你说,我最近跟Java源码杠上了》中说过,Java的大数类位于java.math
包下:
可以看到,常用的BigInteger
和 BigDecimal
就是处理高精度数值计算的利器。
复制代码
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
|
当然了,像BigInteger
和 BigDecimal
这种大数类的运算效率肯定是不如原生类型效率高,代价还是比较昂贵的,是否选用需要根据实际场景来评估。
“decimal 类型是适合财务和货币计算的 128 位数据类型。”
当然,decimal在大多数情况下是安全的,但浮点数在理论上是不安全的。
至于精度误差造成的显示问题,则是很容易修补的。浮点数会带来的问题以及整型能避免的问题就是一个:
譬如说从A帐户转账到B帐户,经计算得出结果是3.788888888888888元,那么我们从A帐户扣除这么多钱,B帐户增加这么多钱,但事实上A帐户不一定会扣除准确的数值,例如A帐户的金额在100000000000,那么这个时候100000000000 - 3.788888888888888运算结果很有可能是99999999996.211111111111112。而这个时候B帐户的金额为0则很有可能加上准确的数值,如3.788888888888888,这样一来,0.011111111111112元钱就会不见了,日积月累的,差额就会越来越大。
double是64位的,比single-32位精度高
decimal128位高精度浮点数,常用于金融运算,不会出现浮点数计算的误差
,decimal 类型具有更高的精度和更小的范围,这使它适合于财务和货币计算。
转载自:
浅谈:Double 与 Float 的坑与解决办法 - 有间猫 - 博客园
decimal,float和double的区别_flyingdream123的专栏-CSDN博客_decimal和double区别
以上是关于转载:浅谈Double 与 Float 的坑与解决办法的主要内容,如果未能解决你的问题,请参考以下文章
#私藏项目实操分享# Java实战系列「技术盲区」Double与Float的坑与解决办法以及BigDecimal的取而代之!