共计 2867 个字符，预计需要花费 8 分钟才能阅读完成。
本文已被前端面试题库收录
一、场景复现
一个经典的面试题
0.1 + 0.2 === 0.3 // false为什么是 false 呢?
先看上面这个比喻
比方一个数 1÷3=0.33333333……
3 会始终有限循环，数学能够示意，然而计算机要存储，不便下次取出来再应用，但 0.333333…… 这个数有限循环，再大的内存它也存不下，所以不能存储一个绝对于数学来说的值，只能存储一个近似值，当计算机存储后再取出时就会呈现精度失落问题
二、浮点数
“浮点数”是一种示意数字的规范，整数也能够用浮点数的格局来存储
咱们也能够了解成，浮点数就是小数
在 JavaScript 中，当初支流的数值类型是 Number，而Number 采纳的是 IEEE754 标准中 64 位双精度浮点数编码
这样的存储构造长处是能够归一化解决整数和小数，节俭存储空间
对于一个整数，能够很轻易转化成十进制或者二进制。然而对于一个浮点数来说，因为小数点的存在，小数点的地位不是固定的。解决思路就是应用迷信计数法，这样小数点地位就固定了
而计算机只能用二进制（0 或 1）示意，二进制转换为迷信记数法的公式如下：
其中，a的值为 0 或者 1，e 为小数点挪动的地位
举个例子：
27.0 转化成二进制为 11011.0，迷信计数法示意为：
后面讲到，javaScript存储形式是双精度浮点数，其长度为 8 个字节，即 64 位比特
64 位比特又可分为三个局部：
- 符号位 S：第 1 位是正负数符号位（sign），0 代表负数，1 代表正数
- 指数位 E：两头的 11 位存储指数（exponent），用来示意次方数，能够为正负数。在双精度浮点数中，指数的固定偏移量为 1023
- 尾数位 M：最初的 52 位是尾数（mantissa），超出的局部主动进一舍零
如下图所示：
举个例子：
27.5 转换为二进制 11011.1
11011.1 转换为迷信记数法 ![[公式]](https://www.zhihu.com/equatio…
符号位为 1(负数)，指数位为 4 +，1023+4，即 1027
因为它是十进制的须要转换为二进制，即 10000000011，小数局部为10111，补够 52 位即：1011 1000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000`
所以 27.5 存储为计算机的二进制规范模式（符号位 + 指数位 + 小数局部 (阶数)），既上面所示
0+10000000011+011 1000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000`
二、问题剖析
再回到问题上
0.1 + 0.2 === 0.3 // false通过下面的学习，咱们晓得，在 javascript 语言中，0.1 和 0.2 都转化成二进制后再进行运算
// 0.1 和 0.2 都转化成二进制后再进行运算
0.00011001100110011001100110011001100110011001100110011010 +
0.0011001100110011001100110011001100110011001100110011010 =
0.0100110011001100110011001100110011001100110011001100111
// 转成十进制正好是 0.30000000000000004所以输入false
再来一个问题，那么为什么 x=0.1 失去0.1？
次要是存储二进制时小数点的偏移量最大为 52 位，最多能够表白的位数是2^53=9007199254740992，对应迷信计数尾数是 9.007199254740992，这也是 JS 最多能示意的精度
它的长度是 16，所以能够应用 toPrecision(16) 来做精度运算，超过的精度会主动做凑整解决
.10000000000000000555.toPrecision(16)
// 返回 0.1000000000000000，去掉开端的零后正好为 0.1但看到的 0.1 实际上并不是 0.1。不信你可用更高的精度试试：
0.1.toPrecision(21) = 0.100000000000000005551如果整数大于 9007199254740992 会呈现什么状况呢？
因为指数位最大值是 1023，所以最大能够示意的整数是 2^1024 - 1，这就是能示意的最大整数。但你并不能这样计算这个数字，因为从 2^1024 开始就变成了 Infinity
> Math.pow(2, 1023)
8.98846567431158e+307
> Math.pow(2, 1024)
Infinity那么对于 (2^53, 2^63) 之间的数会呈现什么状况呢？
(2^53, 2^54)之间的数会两个选一个，只能准确示意偶数(2^54, 2^55)之间的数会四个选一个，只能准确示意 4 个倍数- … 顺次跳过更多 2 的倍数
要想解决大数的问题你能够援用第三方库 bignumber.js，原理是把所有数字当作字符串，从新实现了计算逻辑，毛病是性能比原生差很多
小结
计算机存储双精度浮点数须要先把十进制数转换为二进制的迷信记数法的模式，而后计算机以本人的规定 {符号位 +(指数位 + 指数偏移量的二进制)+ 小数局部} 存储二进制的迷信记数法
因为存储时有位数限度（64 位），并且某些十进制的浮点数在转换为二进制数时会呈现有限循环，会造成二进制的舍入操作(0 舍 1 入)，当再转换为十进制时就造成了计算误差
三、解决方案
实践上用无限的空间来存储有限的小数是不可能保障准确的，但咱们能够解决一下失去咱们冀望的后果
当你拿到 1.4000000000000001 这样的数据要展现时，倡议应用 toPrecision 凑整并 parseFloat 转成数字后再显示，如下：
parseFloat(1.4000000000000001.toPrecision(12)) === 1.4 // True封装成办法就是：
function strip(num, precision = 12) {return +parseFloat(num.toPrecision(precision));
}对于运算类操作，如 +-*/，就不能应用 toPrecision 了。正确的做法是把小数转成整数后再运算。以加法为例：
/**
* 准确加法
*/
function add(num1, num2) {const num1Digits = (num1.toString().split('.')[1] || '').length;
const num2Digits = (num2.toString().split('.')[1] || '').length;
const baseNum = Math.pow(10, Math.max(num1Digits, num2Digits));
return (num1 * baseNum + num2 * baseNum) / baseNum;
}最初还能够应用第三方库，如Math.js、BigDecimal.js
参考文献
- https://zhuanlan.zhihu.com/p/…
- https://developer.mozilla.org…
返回 github 面试题库查看更多
