![js中有["1","2","3","4"]这样一个string，怎么把它变成array](/aiimages/js%E4%B8%AD%E6%9C%89%5B%26quot%3B1%26quot%3B%2C%26quot%3B2%26quot%3B%2C%26quot%3B3%26quot%3B%2C%26quot%3B4%26quot%3B%5D%E8%BF%99%E6%A0%B7%E4%B8%80%E4%B8%AAstring%EF%BC%8C%E6%80%8E%E4%B9%88%E6%8A%8A%E5%AE%83%E5%8F%98%E6%88%90array.png)
可能很多小伙伴都忘记了js的Number对象有一个保留小数位数的方法：toFixed()；传入一个需要保留的位数就OK：
因为toFixed方法返回的是一个字符串，所以别忘了把字符串转回浮点数
计算机内部如何表示数
我们都知道，计算机用位来储存及处理数据。每一个二进制数（二进制串）都一一对应一个十进制数。
这里以十进制数13来展示“按位计数法”如何表示整数：
十进制值进制 按位格式描述
13 10 13 1x10^1 + 3x10^0 = 10 + 3
13 2 11011x2^3 + 1x2^2 + 0x2^1 + 1x2^0 = 8 + 4 + 0 + 1
十进制值进制 按位格式描述
0.625 10 0.625 6x10^-1 + 2x10^-2 + 5x10^-3 = 0.6 + 0.02 + 0.005
0.625 2 0.101 1x2^-1 + 0 x2^-2 + 1x2^-3 = 1/2 + 0 + 1/8
十进制整数转二进制方法：除2取余；十进制小数转二进制方法：乘2除整
十进制0.1转换成二进制，乘2取整过程：
0.1 * 2 = 0.2 # 0
0.2 * 2 = 0.4 # 0
0.4 * 2 = 0.8 # 0
0.8 * 2 = 1.6 # 1
0.6 * 2 = 1.2 # 1
0.2 * 2 = 0.4 # 0
从上面可以看出，0.1的二进制格式是：0.0001100011....。这是一个二进制无限循环小数，但计算机内存有限，我们不能用储存所有的小数位数。那么在精度与内存间如何取舍呢？
有误差的两个数，其计算的结果，当然就很可能与我们期望的不一样了。注意前面的这句话中的“很可能”这三个字？为啥是很可能昵？
0.1 + 0.1 为什么等于0.2
答案是：两个有舍入误差的值在求和时，相互抵消了，但这种“负负得正，相互抵消”不一定是可靠的，当这两个数字是用不同长度数位来表示的浮点数时，舍入误差可能不会相互抵消。
又如，对于 0.1 + 0.3 ，结果其实并不是0.4，但0.4是最接近真实结果的数，比其它任何浮点数都更接近。许多语言也就直接显示结果为0.4了，而不展示一个浮点数的真实结果了。
另外要注意，二进制能精确地表示位数有限且分母是2的倍数的小数，比如0.5，0.5在计算机内部就没有舍入误差。所以0.5 + 0.5 === 1
计算机这样胡乱舍入，能满足所有的计算需求吗
我们看两个现实的场景：
对于一个修建铁路的工程师而言，10米宽，还是10.0001米宽并没有什么不同。铁路工程师就不需要这么高0.x这样的精度
对于芯片设计师，0.0001米就会是一个巨大不同，他也永远不用处理超过0.1米距离
不同行业，要求的精度不是线性的，我们允许（对结果无关紧要的）误差存在。10.0001与10.001在铁路工程师看来都是合格的。
虽然允许误差存在，但程序员在使用浮点数进行计算或逻辑处理时，不注意，就可能出问题。记住，永远不要直接比较两个浮点的大小：
前两天看了小胡子哥写了一篇js中浮点数运算的一个比较特殊的 0.1+0.2 的问题， 揭秘 0.1 + 0.2 != 0.3 ,略感小胡子哥写的还是稍微粗略，于是查各种资料，将包括IEEE754关于浮点数二进制的只是又整理一下，做此记录。
上图是IEEE对浮点数表示的说明，这里分单精度与双精度之分，如下图：
对于单精度浮点数，采用32位存储，最高的1位是符号位s，接着的8位是指数E，剩下的23位为有效数字M。
对于双精度浮点数，采用64位存储，最高的1位是符号位S，接着的11位是指数E，剩下的52位为有效数字M。
在单精度浮点格式中，s、exp和frac字段分别为 1 位、k = 8 位和 n = 23 位，得到一个 32 位的表示。 在双精度浮点格式(C 语言中的 double)中，s、exp 和 frac 字段分别为 1 位、k = 11 位和 n = 52 位，得到一个 64 位的表示。
根据 exp 的值，被编码的值可以分成三种不同的情况(最后一种情况有两 个变种)。下图说明了对单精度格式的情况。
好了，下面我们重点关注一下情况1，并举例来看，不然实在头大啊。以单精度举例。
浮点数转换成二进制，我们要将整数部分和小数部分分开，整数部分采用除2取余，小数部分采用乘2取整。
例如，13.125 转换为二进制：
1.整数部分
逆序将余数拼上得到13的二进制：1101
2.小数部分
得到小数部分的二进制：0.001
两部分相加，得到13.125的二进制： 1101.001
好了，到现在，我们知道了如何将浮点数转换为二进制表示，也知道了IEEE中浮点数的存储方式，那么，我们接下来用13.125这个例子来看看计算机中具体是如何表示的呢。
二进制 1101.001 可以写成 1.101001 * 2^3 ，即这里 M 为 1.101001,E为3,s为0。
单精度下，符号位s即为0,阶码字段exp的值e=E+127，即e=3+127=130，130的二进制表示为 10000010
小数字段，frac为尾数M的二进制，即1.101001
那么，在单精度下，计算机中的表示为：
好了，关于浮点数转换二进制，以及浮点数的表示我们都知道了，那么，现在我们来看看，为什么 0.1+0.2!=0.3 的吧。首先，我们还是先看看js里到底输出多少吧：
于是，我们得到了0.1的二进制表示，即为 0.0001100110011(0011循环) ，即 1.100110011(0011)*2^-4
即，M 1.100110011(0011),E -4,
那么，s=0,e=-4+1023=1019,
那么，js中由于是双精度的，那么0.1的表示为：
0.2的二进制表示： 0.001100110011(0011循环) ，即 1.100110011(0011)*2^-3
那么，js双精度0.2的表示：
浮点数的加减运算一般由以下五个步骤完成：
将两个进行运算的浮点数的阶码对齐的操作。对阶的目的是为使两个浮点数的尾数能够进行加减运算。因为，当进行Mx·2Ex与My·2Ey加减运算时，只有使两浮点数的指数值部分相同，才能将相同的指数值作为公因数提出来，然后进行尾数的加减运算。
对阶的具体方法是：首先求出两浮点数阶码的差，即⊿E＝Ex-Ey，将小阶码加上⊿E，使之与大阶码相等，同时将小阶码对应的浮点数的尾数右移相应位数，以保证该浮点数的值不变。几点注意：
（1）对阶的原则是小阶对大阶，之所以这样做是因为若大阶对小阶，则尾数的数值部分的高位需移出，而小阶对大阶移出的是尾数的数值部分的低位，这样损失的精度更小。
（2）若⊿E＝0，说明两浮点数的阶码已经相同，无需再做对阶操作了。
（3）采用补码表示的尾数右移时，符号位保持不变。
（4）由于尾数右移时是将最低位移出，会损失一定的精度，为减少误差，可先保留若干移出的位，供以后舍入处理用。
尾数运算就是进行完成对阶后的尾数相加减。这里采用的就是我们前面讲过的纯小数的定点数加减运算。
在机器中，为保证浮点数表示的唯一性，浮点数在机器中都是以规格化形式存储的。对于IEEE754标准的浮点数来说，就是尾数必须是1.M的形式。由于在进行上述两个定点小数的尾数相加减运算后，尾数有可能是非规格化形式，为此必须进行规格化操作。规格化操作包括左规和右规两种情况。左规操作：将尾数左移，同时阶码减值，直至尾数成为1.M的形式。例如，浮点数0.0011·25是非规格化的形式，需进行左规操作，将其尾数左移3位，同时阶码减3，就变成1.1100·22规格化形式了。右规操作：将尾数右移1位，同时阶码增1，便成为规格化的形式了。要注意的是，右规操作只需将尾数右移一位即可，这种情况出现在尾数的最高位（小数点前一位）运算时出现了进位，使尾数成为10.xxxx或11.xxxx的形式。例如，10.0011·25右规一位后便成为
1.00011·26的规格化形式了。
浮点运算在对阶或右规时，尾数需要右移，被右移出去的位会被丢掉，从而造成运算结果精度的损失。为了减少这种精度损失，可以将一定位数的移出位先保留起来，称为保护位，在规格化后用于舍入处理。 IEEE754标准列出了四种可选的舍入处理方法：
（1）就近舍入（round to nearest） 这是标准列出的默认舍入方式，其含义相当于我们日常所说的“四舍五入”。例如，对于32位单精度浮点数来说，若超出可保存的23位的多余位大于等于100…01，则多余位的值超过了最低可表示位值的一半，这种情况下，舍入的方法是在尾数的最低有效位上加1；若多余位小于等于011…11，则直接舍去；若多余位为100…00，此时再判断尾数的最低有效位的值，若为0则直接舍去，若为1则再加1。
（2）朝+∞舍入（round toward +∞） 对正数来说，只要多余位不为全0，则向尾数最低有效位进1；对负数来说，则是简单地舍去。
（3）朝-∞舍入（round toward -∞） 与朝+∞舍入方法正好相反，对正数来说，只是简单地舍去；对负数来说，只要多余位不为全0，则向尾数最低有效位进1。
（4）朝0舍入（round toward 0）即简单地截断舍去，而不管多余位是什么值。这种方法实现简单，但容易形成累积误差，且舍入处理后的值总是向下偏差。
与定点数运算不同的是，浮点数的溢出是以其运算结果的阶码的值是否产生溢出来判断的。若阶码的值超过了阶码所能表示的最大正数，则为上溢，进一步，若此时浮点数为正数，则为正上溢，记为+∞，若浮点数为负数，则为负上溢，记为-∞；若阶码的值超过了阶码所能表示的最小负数，则为下溢，进一步，若此时浮点数为正数，则为正下溢，若浮点数为负数，则为负下溢。正下溢和负下溢都作为0处理。
0.1的阶码-4,0.2的阶码-3,对阶阶段，将0.1的阶码变为-3，然后0.1的尾数部分：
可能会有人问，这里最高位怎么是1，移位后不应该是0么，别忘了，尾数部分我们隐含了一个最高位是1的条件，因此，移位后，会将该位一并移过来。
将其与0.2的尾数部分进行相加：
注意，这里计算时，进位2位，去除原来最高位默认的1，相当于阶码部分加1，即由原来的-3变为-2，那么，阶码部分的表示：
而尾数部分，去除最高位1，最后一位1，进行舍入，得到52位新的二进制表示：
即，最后计算的结果如下：
该数表示的即0.1+0.2的结果 2^-2 * 1.0011001100110011001100110011001100110011001100110100
将其转换成十进制数为： 0.3000000000000000444089209850062616169452667236328125
由于精度问题，只取到 0.30000000000000004
到这里，就把所有的推演过程所需要的知识补充完整了，在推演的过程中，真心觉得，人工推演二进制真累啊，十分感谢计算机前辈，设计出方案并实践于计算机，感谢。
0.1+0.2 运算中的结果不是0.3 ，而是0.30000000000000004。所以false；所以结果为0.2；
这个是js自身的问题。js自身的加减乘除都存在问题。所以如果想确保万无一失，最好自己写方法实现运算。
