一、拋磚引玉

一個簡單的示例：

double a = 0.0;
IntStream.range(0,3).foreach(i->a+=0.1);
System.out.println(a); // 0.30000000000000004
System.out.println(a == 0.3); //false

可以看到計算機因二進位制&浮點數造成的問題離我們並不遙遠，一個double經過簡單的相加，便出現了影響正常性的結果。
我們可以通過 BigDecimal 來更詳細展示：

BigDecimal _0_1 = new BigDecimal(0.1);
BigDecimal x = _0_1;
for(int i = 1; i <= 10; i ++) {
	System.out.println( x + ", as double "+x.doubleValue());
	x = x.add(_0_1);
}
 

輸出：

0.1000000000000000055511151231257827021181583404541015625, as double 0.1
0.2000000000000000111022302462515654042363166809082031250, as double 0.2
0.3000000000000000166533453693773481063544750213623046875, as double 0.30000000000000004
0.4000000000000000222044604925031308084726333618164062500, as double 0.4
0.5000000000000000277555756156289135105907917022705078125, as double 0.5
0.6000000000000000333066907387546962127089500427246093750, as double 0.6000000000000001
0.7000000000000000388578058618804789148271083831787109375, as double 0.7000000000000001
0.8000000000000000444089209850062616169452667236328125000, as double 0.8
0.9000000000000000499600361081320443190634250640869140625, as double 0.9
1.0000000000000000555111512312578270211815834045410156250, as double 1.0
 

二、不精確的原因

常聽說double&float不精確，ieee754標準什麼的，難道是標準導致的問題嗎？
原因：問題是多綜合因素導致的，而當下 iEEE754 標準則是各方面權衡下的儘可能逼近正確結果的一種方案

1. 二進位制的必然侷限

正如10進位制下 1/3 = 0.333…無法精確表示，在二進位制中若想表示1/10，則也是無限迴圈小數
具體的 \(0.1_{(10)}=0.0010011001100110011..._{(2)}\)
這就本質上造成了若不以分數表示，一些其他進制中的精確數值在二進位制中無法以有限位精確表示

2. 計算機中數值儲存方案

計算機中CPU對數值的儲存&運算沒有分數表示，而是以有有限位bit進行。（當然，可能會疑問為什麼不以一定規則用分數精確儲存，並附上相應的一套運算規則？可參考這個

因此對於無限小數，儲存位數一定的情況下必然會造成數值丟失。
如：\(0.1_{(10)}*3\) 在二進位制 8bit 規則（若是單純截斷，沒有舍入）下，結果為 \(0.00011001_{(2)}* 3=0.01001011_{(2)}=0.29296875_{(10)}\) 而不會是 0.3
這就如 \(0.1_{(3)}*3\) 在十進位制計算機中（若是單純截斷）結果是 0.99999999 而不會是 1

3. 計算機數值表示規範 IEEE-754

根據上述討論，便能認知到對於數值的儲存和計算規則是可以千變萬化的。
因此 IEEE 協會為了規範統一（方便CPU指令製造，各平臺相容等等）出臺了 IEEE Standard for Floating-Point Arithmetic（IEEE-754）二進位制浮點數算數標準，選用了浮點數作為儲存和算數標準。
該標準描述了包括"浮點數的格式"、"一些特殊數值"、"浮點數的運算"、"舍入規則與例外情況" 等等內容

三、IEEE-754 標準"部分"概述

1. 它定義了5種基本格式：

binary32、binary64、binary128、decimal64、decimal128
其中 binary32、binary64 便是常說的 float、double

2. float、double解析：

以 binary64（double）為例：
它具有以下格式：

• sign：符號位，0為正，1為負
• exponent：無符號整數，此處範圍為[0,2047]。實際應用時會加上一固定的偏移量，該偏移量根據exponent長度有所不同，而此處double 為 -1023，因此實際應用範圍為[-1022,1023]（缺少-1023和+1024是因為全0全1為特殊保留字）
• precision：精度值，儲存有效數字（隱式的整數位1並不包含其中）
  

其最終值結果表示式為： \((-1)^{sign}*1.fraction_{(2)}*2^{e-1023}\)
基於這種格式，這也是為什麼數越大精度越低，越小精度越高。因為越大則fraction中整數佔位越多，而小數佔位則越少。（下圖可見，小數部分已全部捨去，整數部分都開始舍入）

binary 32（float）同理：偏移量為 -127

3. 舍入規則：

IEEE-754 僅提供了一些舍入規則，但沒有強制說選用某種規則，具體規則的選用由具體實現決定。
以下是一些規則：

• Roundings to nearest 就近舍入
  • Round to nearest, ties to even：就近舍入。若數字位於中間，則偏向舍入到偶數最低有效位
  • Round to nearest, ties away from zero：就近舍入。偏向遠離0，即四捨五入。
• Directed roundings 定向舍入
  • Round toward 0：朝向0舍入
  • Round toward +∞：朝向+∞舍入
  • Round toward −∞：朝向-∞舍入

而在 Java 中，預設舍入模式為 RoundingMode.HALF_EVEN，即 "Round to nearest, ties to even"
該舍入模式也被稱為 "Banker's rounding"，在統計學上這種模式可以使累計的誤差最小

4.手動計算IEEE754值示例

以常見的 0.1 和 float 為例：
\(0.1_{(10)}=0.0001100110011..._{(2)}=(-1)^0*1.100110011...01_{(2)}*2^{(123-127)}\)

因此 IEEE-754，儲存的實際值為 0.10000000149011611938

可見，有效數字其實已經盡最大可能的去保留精度，無奈位數有限，並在最後做了舍入。

5.其他解決方案探討

IEEE-754 浮點數不過是一種標準，它是效能&儲存空間&表示範圍&精度各方面權衡下的一個結果。正如上述和stackexchange所討論的，若對精度或其他方面有著更高的需求，則可以另一套規則定義數值的儲存和計算。

Decimal 便是其中的一種。摘一段網上的介紹

Decimal types work much like floats or fixed-point numbers, but they assume a decimal system, that is, their exponent (implicit or explicit) encodes power-of-10, not power-of-2. A decimal number could, for example, encode a mantissa of 23456 and an exponent of -2, and this would expand to 234.56. Decimals, because the arithmetic isn't hard-wired into the CPU, are slower than floats, but they are ideal for anything that involves decimal numbers and needs those numbers to be exact, with rounding occurring in well-defined spots - financial calculations, scoreboards, etc. Some programming languages have decimal types built into them (e.g. C#), others require libraries to implement them. Note that while decimals can accurately represent non-repeating decimal fractions, their precision isn't any better than that of floating-point numbers; choosing decimals merely means you get exact representations of numbers that can be represented exactly in a decimal system (just like floats can exactly represent binary fractions).

Decimal（十進位制）的工作方式與 fixed-point（定點數）非常相似，只是以十進位制為基礎（指乘數為10的冪，而非2的冪），例如 234.56=23456*10^(−2) 可以擴充套件為 23456 與 -2，因為都是整數所以精確儲存。
但 Decimal 並不會就比浮點數精確度高，正如其名十進位制，它僅可以精確表示能在十進位制中精確表示的數。而十進位制中本身就無法精確表示的數，如 \(0.1_{(3)}\)，其依然無法精確儲存。

四、Java 中 BigDecimal 實現概述

不可變的，任意精度的有符號十進位制數。

因十進位制小數對二進位制的轉化是不精確的，因此它將 \(原值*10^{(scale)}\) 擴充套件為整數後，後通過 long intCompat 來儲存擴充套件後部分。
並在需要真實值時，再計算還原 \(intCompact * 10^{(-scale)}\)

BigDecimal 常見API&情形：

1. setScale(int newScale, RoundingMode roundingMode)
   設定該BigDecimal的小數點後精度位數，若涉及到數值舍入，必須指定舍入規則，否則報錯。
   如：保留2位小數，截斷式：.setScale(2, RoundingMode.DOWN)

五、延申

1. 定點數(fixed-point)解決方案

定點數在實現上並不是字面意思固定某位為小數點分別存整數和小數
同Decimal實現一樣，先將原值擴充套件到到足夠大的整數，並存下scale，以後續還

2. 各語言情況及解決概覽

https://0.30000000000000004.com

3. 為什麼資料庫MYSQL SELECT (0.2+0.1)=0.3 返回 true？

參考：https://stackoverflow.com/a/55309851/9908241
答：在顯式精確數值計算時，Mysql 可能會使用 Precision Math 計算（ https://dev.mysql.com/doc/refman/8.0/en/precision-math-examples.html ）
即 SELECT (0.1+0.2) = 0.3 或多或少可能以如下方式執行實際查詢:SELECT CAST((0.1 + 0.2) AS DECIMAL(1, 1)) = CAST((0.3) AS DECIMAL(1, 1));

IEEE 754 標準浮點數的精度問題是仍然存在的，以下通過顯式宣告浮點型別可復現：

create table test (f float);
insert into test values (0.1), (0.2);
select sum(f) from test; // 輸出經典 0.30000000447034836

4. 浮點數為什麼會這樣設計，為什麼exponent需要偏移量

可參考：IEEE 754格式是什麼? - wuxinliulei的回答 - 知乎

撰文參考：
- 0.1d相加多次異常展示： https://stackoverflow.com/questions/26120311/why-does-adding-0-1-multiple-times-remain-lossless
- 數值儲存&計算多種解決方案討論： https://softwareengineering.stackexchange.com/questions/167147/why-dont-computers-store-decimal-numbers-as-a-second-whole-number/167151#167151
- 十轉二進位制計算教學 How to Convert a Number from Decimal to IEEE 754 Floating Point： https://www.wikihow.com/Convert-a-Number-from-Decimal-to-IEEE-754-Floating-Point-Representation
- 計算IEEE-754全步驟（可自定數字） https://binary-system.base-conversion.ro/convert-real-numbers-from-decimal-system-to-32bit-single-precision-IEEE754-binary-floating-point.php
- CSDN https://blog.csdn.net/weixin_44588495/article/details/97615664
- https://en.wikipedia.org/wiki/IEEE_754
- https://en.wikipedia.org/wiki/Double-precision_floating-point_format
- https://en.wikipedia.org/wiki/Single-precision_floating-point_format
- http://cr.openjdk.java.net/~darcy/Ieee754TerminologyUpdate/2020-04-21/specs/float-terminology-jls.html
- IEEE754 線上轉換網站： https://www.binaryconvert.com/result_float.html
- 十進位制-二進位制（可小數）線上轉換： https://www.mathsisfun.com/binary-decimal-hexadecimal-converter.html
- https://0.30000000000000004.com