a = 12.12300 #結果要求為12.123 b = 12.00 #結果為12c = 200.12000 #結果為200.12d = 200.0 #結果為200 print ’a==>’ ,[ str (a), int (a)][ int (a) = = a]print ’b==>’ ,[ str (b), int (b)][ int (b) = = b]print ’c==>’ ,[ str (c), int (c)][ int (c) = = c]print ’d==>’ ,[ str (d), int (d)][ int (d) = = d]方法二：

for i in [ 12.12300 , 12.00 , 200.12000 , 200.0 ]: print ( ’{:g}’ . format (i))

補充：Python 只有1%的程序員搞懂過浮點數(shù)陷阱

稍有標題黨味道，但內容純干貨，先從一個例子說起

>>> 0.1+0.2==0.3False

當你第一次看到這個結果時可能會非常驚訝，原來還有個這么大的bug，再來看看表達式 0.1+0.2 到底等于多少？

>>> 0.1+0.20.30000000000000004

完全超出我們的想象。那么這個操作在計算機里面到底發(fā)生了什么事情？

我們還是回到二進制。

首先，需要明確一點，在計算機中無論是整數(shù)、浮點數(shù)、還是字符串最終都是用二進制來表示的。

整數(shù) 9 在計算機中二進制表示是： 1001 ，怎么得來的？

用十進制整數(shù)整除以2，得到商和余數(shù)，該余數(shù)就是二進制數(shù)的最低位，然后繼續(xù)用商整除以2，得到新的商和余數(shù)，以此類推，直到商等于0，由所有余數(shù)倒排組成了該整數(shù)的二進制表現(xiàn)形式。用代碼表示是：

>>> n = 9>>> while n >0: n,e = divmod(n, 2) # divmod返回n除以2的商和余數(shù) print(e)1 # 低位001 # 高位二進制轉化為十進制整數(shù)

我們知道，十進制用科學計算法可表示為：

123 = 1*10^2 + 2*10^1 + 3*10^0 = 100 + 20 + 3 = 123

同樣的道理，如果是二進制數(shù)，可表示：

1001 = 1*2^3 + 0*2^2 +0*2^1 + 1*2^0= 8+0+0+1 = 9

再來看浮點數(shù)

二進制小數(shù)和二進制整數(shù)沒什么區(qū)別，都是由0和1組成，只是多了一個點，例如：101.11 就是一個二進制小數(shù)，對應的十進制數(shù)是：

101.11 = 1*2^2 + 0*2^1 + 1*2^0 + 1*2^-1 + 1* 2^-2= 4 + 0 + 1 + 1/2 + 1/4= 5 + 0.5 + 0.25= 5.75

小數(shù)點左邊用 2^n 表示，小數(shù)點右邊的值用 2^-n來表示。

十進制的浮點數(shù)轉換成二進制小數(shù)的步驟：

小數(shù)點前面的整數(shù)部分按照十進制轉二進制的方式操作

小數(shù)部分乘以2，取整數(shù)0或者1，剩下的小數(shù)繼續(xù)乘2一直重復，直到小數(shù)部分為0或達到指定的精度為止

例如 2.25 轉換成二進制小數(shù),整數(shù)2轉換為二進制是 10， 小數(shù)部分0.25轉換二進制是：

0.25 * 2 = 0.5 整數(shù)為0，小數(shù)為0.50.5 * 2 = 1.0 整數(shù)為1，小數(shù)為0

所以 2.25 表示成二進制小數(shù)是 10.01 ， 但并不是每一個浮點數(shù)都這么幸運最后乘2小數(shù)為0的，比如 0.2 轉換成二進制是：

0.2*2 = 0.4 整數(shù)為0，小數(shù)為0.40.4*2 = 0.8 整數(shù)為0，小數(shù)為0.80.8*2 = 1.6 整數(shù)為1，小數(shù)為0.60.6*2 = 1.2 整數(shù)為1，小數(shù)為0.20.2*2 = 0.4 整數(shù)為0，小數(shù)為0.40.4*2 = 0.8 整數(shù)為0，小數(shù)為0.80.8*2 = 1.6 整數(shù)為1，小數(shù)為0.60.6*2 = 1.2 整數(shù)為1，小數(shù)為0.2

一直重復 ....

0.2 用二進制表示是 0.001100110011… ，你會發(fā)現(xiàn) 0.2 根本沒法用二進制來精確表示。就像 1/3 無法用小數(shù)精確表示一樣，只能取一個近似值。

如果把這個二進制小數(shù) 0.001100110011 轉換回10進制是：

0.001100110011 = 1*2^-3 + 1* 2^-4 + 1* 2^-7 + 1* 2^-8 + 1* 2^-11 + 1* 2^-12= 1/8 + 1/16 +1/128 + 1/256 + 1/2048 + 1/4096= 0.199951171875

這只是一個接近 0.2 的數(shù)，精度越高就越靠近 0.2， 但永遠不可能等于0.2。那么在計算機內部，浮點數(shù)到底怎么存儲的呢？

根據(jù)國際標準IEEE 754，一個二進制浮點數(shù) V 分為3部分，可以用下面這個公式來表示：

s表示符號位，當s=0，V為正數(shù)；

當s=1，V為負數(shù)

M表示有效數(shù)字， 1<=M<2

E表示指數(shù)位

例如十進制1.25，寫成二進制是1.01，用該公式表示相當于 1.01×2^0?？梢缘贸鰏=0，M=1.01，E=0。

IEEE 754規(guī)定

1、對于32位的浮點數(shù)，最高位是符號位s，接著的8位是指數(shù)E，剩下的23位為有效數(shù)字M。

2、對于64位的浮點數(shù)，最高的1位是符號位S，接著的11位是指數(shù)E，剩下的52位為有效數(shù)字M

3、M的第一位總是1，會被舍去，比如保存1.01的時候，實際上只保存小數(shù)點后面的01部分

4、E的真實值必須再減去一個中間數(shù)，對于8位的E，這個中間數(shù)是127；對于11位的E，這個中間數(shù)是1023。

基于以上規(guī)則，我們可以對浮點數(shù)進行驗證，可以用下面這個函數(shù)查看一個浮點數(shù)在計算機中實際存儲的值：

import structdef float_to_bits(f):s = struct.pack(’>f’, f)return struct.unpack(’>l’, s)[0] >>>print(float_to_bits(0.2))1045220557print(bin(float_to_bits(0.2)))0b111110010011001100110011001101

浮點數(shù) 0.2 實際存儲的值是 1045220557，對應的二進制是 111110010011001100110011001101，轉換成32位整數(shù)還要在前面補2個0，最后變成：

0 01111100 10011001100110011001101

最高位為0，所以表示正數(shù)，接著8位 01111100 是指數(shù)位E，對應整數(shù)是124，根據(jù)IEEE 754規(guī)定，E的真實值要減去127，所以E=-3，最后23為是M的值，因為前面省略了一位，所以M的真實值是：

1.10011001100110011001101

最后V的值就是：

1.10011001100110011001101*2^-3=0.00110011001100110011001101=1/8 + 1/16 +1/128 + 1/256 + 1/2048 + 1/4096 + ...=0.20000000298023224

它的實際值比 0.2 要大一點點，所以才看到了最開始的那一幕。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。如有錯誤或未考慮完全的地方，望不吝賜教。