Python中math.fsum与循环求和结果差32.0的原因探究

首先看测试代码：

import math

nums = [26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.,26015151255025000.]

math_fsum_result = math.fsum(nums)

loop_result = 0.0
for n in nums:
    loop_result += n

print(format(math_fsum_result, '.1f'))
print(format(loop_result, '.1f'))

运行输出：

234136361295224992.0
234136361295224960.0

已知用decimal计算的正确值是234136361295225000.0，两种求和方法的结果刚好差32.0，核心原因在于浮点数的精度限制和两种算法的误差处理逻辑差异：

1. 单个浮点数的存储误差 #

Python的float是64位双精度浮点数，遵循IEEE 754标准，它的尾数部分最多能精确表示53位二进制整数。你的原始数值26015151255025000转换成二进制后，有效位数超过了53位，所以存储为float时会被舍入成26015151255024992.0——比原数小8，这是初始误差来源。

2. 普通循环累加的误差累积 #

普通累加是逐次把当前结果和下一个数相加，每次相加如果结果无法用双精度精确表示，就会截断低位，丢失的精度会累积：

• 前几次累加的结果还能被精确表示，但加到第7次之后，当前结果的二进制位数已经很高，再加上下一个数时，较小数的低位会被截断，每次这样的累加都会额外丢失16的精度。
• 9个数值累加下来，普通累加的总误差是-40（比正确值小40）。

3. math.fsum的误差补偿机制 #

math.fsum采用了补偿求和算法（类似Kahan求和的优化版本），它会在累加过程中额外跟踪那些被截断的微小误差值，后续累加时会把这些丢失的部分重新加回去，最大程度减少误差累积。

• 在这个例子里，fsum把单个数值的存储误差（每个-8，共-72）大部分补回来了，最终只比正确值小8，总误差是-8。

差值为32.0的原因 #

普通累加的总误差是-40，fsum的总误差是-8，两者的误差差就是(-8) - (-40) = 32，所以两个结果刚好相差32.0。这不是巧合，是双精度浮点数的位数限制和两种算法的误差处理逻辑共同导致的。

内容的提问来源于stack exchange，提问作者Firestrand