在软件开发中，老鸟程序员常常告诫新鸟程序员，金额不要用Float类型，因为Float不精确，会产生误差，涉及到钱可能产生资损。但为什么Float类型不精确呢？这要从信息在计算机中的表示说起，请听我慢慢道来。

众所周知，计算机里的信息都是用二进制的 0 和 1 表示的，我们先看整数（Integer）在计算机里的表示，然后再看浮点数（Float）的表示。

整数的编码

计算机里存储整数要区分无符号整数（即正整数和0） 或有符合整数（即全部整数）。

无符号整数的编码

无符号整数的二进制数学表达式为：

无符号整数

[0101]₂ = 0✖️2³ + 1✖️2² + 0✖️2¹ + 1✖️2⁰ = 5
[1011]₂ = 1✖️2³ + 0✖️2² + 1✖️2¹ + 1✖️2⁰ = 11

有符号整数的编码

一般有符号整数的二进制表示使用补码方式，第一位为符号位（0表示正数，1表示负数）。数学表达式为：

有符号整数

[0101]₂ = -0✖️2³ + 1✖️2² + 0✖️2¹ + 1✖️2⁰ = 5
[1011]₂ = -1✖️2³ + 0✖️2² + 1✖️2¹ + 1✖️2⁰ = -5

采用补码表示有符号整数的优点：可以用统一的加法运算方式处理无符号和有符号整数。

综上可知，用二进制表示整数不存在误差，都可以精确表示。

只要位数足够多就可以表示足够大的整数，但实际计算机的字长有限（通常32位或64位），所以计算过程中可能产生特别大的数（例如两个大数相乘，或者无符号大数转为有符号类型），超过了可表示的范围会产生溢出，变成另外一个数，这是在编程的时候需要特别注意的。

浮点数的编码

十进制小数

其中小数点 (“.”) 在 i=0 和 i=-1 之间。例如：

123.45 = 1✖️10² + 2✖️10¹ + 3✖️10⁰ + 4✖️10^-1 + 5✖️10^-2 = 100 + 20 + 3 + 4/10 + 5/100 = 123 + 45/100 = 123.45

那么10进制小数这种表示方式有误差吗？答案是有的，例如表示 1/3 时，是个无限循环小数，必须进行舍入。

二进制小数

其中小数点 (“.”) 在 i=0 和 i=-1 之间。例如：

101.11₂ = 1✖️2² + 0✖️2¹ + 1✖️2⁰ + 1✖️2^-1 + 1✖️2^-2 = 4 + 0 + 1 + 0.5 + 0.25 = 5.75

二进制小数只能表示可以被写成 x2^y 的数，其他的数只能找离其最近的数代替，称之为舍入（rounding），例如我们常见的 10 进制舍入称为四舍五入。例如 10 进制的 0.2 (1/5) 就无法使用二进制小数精确表示，因为根号 5 是个无理数，这种情况只能按照精度要求舍入。下面是 Python 中令人困惑的浮点数运算（其他编程语言也类似）。

>>> 0.1 + 0.1 == 0.2
True
>>> 0.1 + 0.2 == 0.3
False

为什么 0.1 + 0.1 等于 0.2，但 0.1 + 0.2 不等于 0.3 呢？我们先看看小数求和运算后的结果：

>>> 0.1 + 0.1
0.2
>>> 0.1 + 0.2
0.30000000000000004

发现 0.1 + 0.1 是 0.2 ，但 0.1 + 0.2 却是 0.30000000000000004 。原因就是舍入造成的，0.1、0.2 和 0.3 都无法用二进制精确表示，这 3 个数在计算机存储的都是舍入后的结果，都是近似值。

所以上面诡异结果的原因是：近似的 0.1 加上舍入的 0.1 再舍入恰好等于近似的 0.2 ，但近似的 0.1 加上近似的 0.2 之后再舍入却运气没那么好，不等于近似的 0.3。也就是数值表示本身有误差，求和的过程中又加大了这种误差，造成了不等。

所以二进制不能精确表示10进制小数，有很多数都存在误差。因此软件开发中避免使用 Float 表示金额，避免用 == 来判断 Float 的相等性。

浮点数 IEEE 表示

最早的计算机厂商都是自己设计自己的浮点数表示规则，后来 IEEE 出了统一标准。标准都是对一类问题的经典解决方案，我们有必要了解下。

IEEE浮点标准用 V = (-1)^s✖️M✖️2^E 的形式表示一个数：

• 符号 s=1 表示负数，s=0 表示正数；
• 尾数 M 是一个二进制小数，范围是区间 [1, 2) ，或区间 [0, 1) ；
• 阶码 E 是加权值。

在计算机中，一个字长的浮点数称为单精度数，两个字长的浮点数称为双精度数。表示浮点数的字节会分成三部分：

float存储结构

• 位 s 与符号位 s 相同
• 指数 e 与阶码 E相关，当 e 为全 1，表示无穷大。当 e 为 0 时，E = 1 - Bias ；当 e 大于 0 小于全 1 时， E = e - Bias，其中 Bias 为 2^k-1 - 1 的偏移量 （k为e所占位长）
• 小数 f 与 M 相关，当 e 为 0 时，M = f/2^k-1 ； 当 e 大于 0 小于全 1 时，M = f/2^k-1 + 1

下面我们以字长为 8 来举例，其中第1位为 s，第 2~5 为 e，第 6~8 为 f，偏移量 Bias 为 2^4-1 - 1 = 7。

0 0000 010

上例中 s 为 0， e 为 0，f 为 2，E = 1-7 = -6，M = f = 2/8，所以 V=(-1)⁰✖️2/8✖️2^-6=1/256

0 0001 110

上例中 s 为 0， e 为 1，f 为 6，E = 1-7 = -6，M = 6/8+1 = 14/8，所以 V=(-1)⁰✖️14/8✖️2^-6=7/256

0 1110 111

上例中 s 为 0， e 为 14，f 为 7，E = 14-7 = 7，M = 7/8+1 = 15/8，所以 V=(-1)⁰✖️15/8✖️2⁷=1920/8

0 1111 000

上例中 s 为 0， e 为 全 1，表示无穷大。

金额应该使用什么类型？

至此我们知道了金额为什么不用 Float 类型，那么应该用什么类型呢？通常有两个方案选择：

1、使用 int 类型

如果金额计算精度要求不高，最小到分就行，而且最大金额也不超过 int 的范围，那么选 int 类型是最佳方案，存储金额的单位为分。int 可以精确表示，而且无论从存储还是计算，都更节省资源。

2、使用 decimal 类型

decimal 类型用来精确保存10进制小数，decimal 默认精确到小数点后 28 位，可以满足财务计算对精确的要求。

下面是Python里使用 decimal 的示例，可以看到不会出现浮点数的不等式。

>>> from decimal import Decimal
>>> Decimal('0.1') + Decimal('0.2') == Decimal('0.3')
True
>>>

那么为什么 decimal 没有浮点数的问题呢？ 这取决于它的存储方式，decimal 把整数和小数分开存储了，分开后小数按整数存储就可以用二进制精确表示了。

decimal 使用注意事项
构造 Decimal 类型可以使用 int 或 字符串，不要使用 float 构造 Decimal，否则构造出来的是精确的近似值。不过使用 float 构造decimal 可以回答上文中 “ 0.1 + 0.1 等于 0.2，但 0.1 + 0.2 不等于 0.3 ” 的诡异问题，详见以下示例：

>>> from decimal import *
>>> Decimal(0.1+0.1)
Decimal('0.200000000000000011102230246251565404236316680908203125')
>>> Decimal(0.2)
Decimal('0.200000000000000011102230246251565404236316680908203125')
>>> Decimal(0.1+0.1) == Decimal(0.2)
True
>>> Decimal(0.1+0.2)
Decimal('0.3000000000000000444089209850062616169452667236328125')
>>> Decimal(0.3)
Decimal('0.299999999999999988897769753748434595763683319091796875')
>>> Decimal(0.1+0.2) == Decimal(0.3)
False
>>> 

总结

由于二进制的特殊性，我们没办法使用二进制精确的表示十进制的小数，所以为了不产生资损，金额尽量不使用 Float 类型表示，而按需求改为 Int 或 Decimal 类型。