本文实例讲述了Python中的浮点数原理与运算。分享给大家供大家参考，具体如下：
先看一个违反直觉的例子：
>>>s = 0.
>>>for i in range(10): s += .1
>>>s
0.9999999999999999
# 错误被累加
再看一个更为普遍，直接影响判断逻辑的例子：
>>>from math import sqrt
>>>a = sqrt(2)
>>>a*a == a
False
之所以会出现以上的结果，在于 Python （更准确地说是计算机硬件体系结构）对浮点数的表示，我们来看计算机（基于二进制）对十进制小数 0.1 的表示，十进制小数向二进制小数转换的方法请见 Python十进制小数与二进制小数相互转换。将十进制小数 0.1 转换为二进制时的结果为 0.0001100110011001....，无限循环，计算机无法展示无限的结果，只能对结果进行截断，这是浮点数精度问题的根源。
“==” on floats
基于以上的考虑，当我们进行浮点数的相等比较时，要特别小心，直接使用 == 是有问题的，一种通用的做法即是，不是检测浮点数是否相等，而是检测二者是否足够接近，
>>>a = sqrt(2)
>>>abs(a*a-2) <epsilon
# 判断是否小于某一小量
原因如下：
出现上面的情况，主要还是因浮点数在计算机中实际是以二进制保存的，有些数不精确。
比如说: 0.1是十进制，转化为二进制后它是个无限循环的数：
0.00011001100110011001100110011001100110011001100110011001100
而python是以双精度(64)位来保存浮点数，多余的位会被截掉，所以看到的是0.1，但在电脑上实际保存的已不是精确的0.1，参与运算后，也就有可能点误差。
------------------------------------------------------------------------------------------------------------------------------------
[Python3]计算高精确度的浮点数方法
decimal 模块的"getcontext"和"Decimal"方法
getcontext().prec = 2 #设置精度
------------------------------------------------------------------------------------------------------------------------------------
decimal模块中，可以通过整数，字符串或原则构建decimal.Decimal对象。如果是浮点数，特别注意因为浮点数本身存在误差，需要先将浮点数转化为字符串。
当然精度提升的同时，肯定带来的是性能的损失。在对数据要求特别精确的场合（例如财务结算），这些性能的损失是值得的。但是如果是大规模的科学计算，就需要考虑运行效率了。毕竟原生的float比Decimal对象肯定是要快很多的。
-------------------------------------------------------------------------------------------------------------------------------
浮点数和整数的比较
值相等，地址不同
