python 浮点数四舍五入需要注意的地方

本文主要分享基于python的数据分析三方库pandas，numpy的一次爬坑经历，发现并分析了python语言对于浮点数精度处理不准确的问题，并在最后给出合理的解决方案。如果你也在用python处理数据，建议看一下，毕竟0.1的误差都可能造成比较大的影响。

问题出现

早上到了公司，领导发了几个文件过来，说这两天测试环境跑出来的数据，与实际情况有所出入，看看哪出的问题，尽快解决···

开始排查

先对比数据，发现并不是所有的数据都出现问题，只有10%左右的数据有这个问题，说明应该不是逻辑上的问题，初步判断可能为个别情况需要特殊处理，考虑不周导致检查梳理各个运算模块，用debug断点调试一波，确定了数据出现偏差的模块通过单独测试这个单元模块最终确定，涉及到两数相除结果为0.5(浮点数)的地方有问题预期结果：np.round(0.5)=1，实际运算结果：np.round(0.5)=0，于是我做了如下的试验

# 基于python3.7版本 >>> import numpy as np # 先看看 0 < x < 1 这个范围的结果，发现有问题 >>> np.round(0.50) 0.0 >>> np.round(0.51) 1.0 >>> np.round(0.49) 0.0 # 我担心是不是只有小数点为.5的都会呈现这种问题,所以测试了 x > 1的结果，发现还是有问题 >>> np.round(1.5) 2.0 >>> np.round(2.5) 2.0 >>> np.round(3.5) 4.0 >>> np.round(4.5) 4.0

通过对比，发现确实涉及到.5的值会有些和预想的不同，看看啥原因

分析问题

确实发现了关于浮点数(.5出现了理解上的偏差)，看看官方文档怎么解释这个现象

numpy.around(a, decimals=0, out=None)[source] Evenly round to the given number of decimals. # 对于恰好介于四舍五入的十进制值之间的中间值(.5)，NumPy会四舍五入为最接近的偶数值。 # 因此1.5和2.5四舍五入为2.0，-0.5和0.5四舍五入为0.0，依此类推。 For values exactly halfway between rounded decimal values, NumPy rounds to the nearest even value. Thus 1.5 and 2.5 round to 2.0, -0.5 and 0.5 round to 0.0, etc. # np.around使用快速但有时不精确的算法来舍入浮点数据类型。 # 对于正小数，它等效于np.true_divide（np.rint（a * 10 **小数），10 **小数）， # 由于IEEE浮点标准[1]和 十次方缩放时引入的错误 np.around uses a fast but sometimes inexact algorithm to round floating-point datatypes. For positive decimals it is equivalent to np.true_divide(np.rint(a * 10**decimals), 10**decimals), which has error due to the inexact representation of decimal fractions in the IEEE floating point standard [1] and errors introduced when scaling by powers of ten

其实也就是说：对于带有.5这种刚好介于中间的值，返回的是相邻的偶数值 白话解释：如果一个数字带有浮点数(.5)，整数部分为偶数，则返回这个偶数;整数部分奇数，则返回这个奇数+1的偶数 规律解释：如果整数部分能够整除2，则返回整数部分;如果整数部分不能整除2，则返回整数部分 +1

解决问题

先不做任何改动，看下数据误差的情形

# 我们为了先看下现象,构造如下案例 import pandas as pd import numpy as np df = pd.DataFrame({'num1': [1, 1, 1.5, 5, 7.5], 'num2': [2, 3, 1, 6, 3]}) df['真实值'] = df['num1'] / df['num2'] # 看下round函数过后的结果 df['偏差值'] = np.round(df['num1'] / df['num2'])

原始结果图片如下

不做处理，期望值和偏差值不等的情况出现

我的解决方案

我根据我的精度要求，构建精度范围所需要保留的小数点的最后一位，通过这个数字是否为5，判断是否需要向上取整 举例来说，本案例中我只需要保留整数部分的数据，那么我只需要确定小数点后第一位是否是数字5就可以了

上代码

import pandas as pd import numpy as np import math df = pd.DataFrame({'除数': [1, 1, 1.5, 5, 7.5], '被除数': [2, 3, 1, 6, 3]}) # 记录真实值 df['真实值'] = df['除数'] / df['被除数'] # 记录整数部分 df['辅助整数列'] = df['真实值'].apply(lambda x: math.modf(x)[1]) # 记录小数部分,因为我的最后结果精度为只保留整数部分,所以我只需要保留一个小数点位进行判断是否需要进位操作 df['辅助小数列'] = df['真实值'].apply(lambda x: str(math.modf(x)[0]).split('.')[1][0]) # 小数点后的第一位是为5，则向上取整，不是5则调用原np.round就行了 df['期望值修正'] = df.apply(lambda x: x.辅助整数列 + 1 if (x.辅助小数列 == '5') else np.round(x.真实值), axis=1)

结果如下所示

以上就是python 四舍五入需要注意的地方的详细内容，更多关于python 四舍五入的资料请关注好吧啦网其它相关文章！