Python中DataFrame调用round(6)未返回指定小数位数问题求助

你遇到的确实是浮点数二进制存储的固有精度误差——大部分十进制小数无法被二进制浮点数精确表示，当你调用df.round(6)时，底层的浮点运算会把这种微小误差暴露出来，导致结果看起来不符合预期。

以下是几种能实际修改数值（而非仅调整显示）的解决方案：

1. 使用Decimal类型精确控制精度 #

Decimal模块可以精确处理十进制小数，避免二进制浮点误差。通过将数值转换为Decimal类型后再指定精度，能得到准确的四舍五入结果：

from decimal import Decimal, ROUND_HALF_UP
import pandas as pd

def precise_round(x, decimals=6):
    if isinstance(x, float):
        # 先转字符串再初始化Decimal，避免浮点本身的误差传递
        decimal_val = Decimal(str(x))
        # 指定精度并采用四舍五入规则
        rounded_val = decimal_val.quantize(Decimal(f'1.{"0"*decimals}'), rounding=ROUND_HALF_UP)
        return float(rounded_val)
    return x

# 对整个DataFrame应用精确 rounding
df = df.applymap(precise_round)

这个方法能精准处理你的示例值：45014.0160534036会被正确转为45014.016053，不会出现末尾的误差值。

2. 缩放后取整再还原 #

通过将数值放大指定倍数（比如1e6对应6位小数），取整后再缩小回去，强制保留指定小数位数：

import numpy as np

# 对每一列执行缩放-取整-还原操作
df = df.apply(lambda col: np.round(col * 10**6) / 10**6)
# 或者用np.rint确保取整规则是四舍五入：
# df = df.apply(lambda col: np.rint(col * 10**6) / 10**6)

这个方法速度更快，适合处理大数据量的DataFrame，对于多数场景的精度需求足够可靠。

3. 转换为整数存储（彻底避免浮点误差） #

如果你的业务场景允许，可以将数值转换为整数存储（比如乘以1e6转成整数），后续操作时再还原。这种方式能彻底消除浮点误差：

# 先四舍五入到6位小数，再转整数存储
df = (df * 10**6).round().astype(int)
# 需要使用时再转回浮点
df = df / 10**6

适合需要长期存储或频繁计算的场景，但要注意转换过程中的精度取舍。

内容的提问来源于stack exchange，提问作者Keyboard Queen