关于Python Decimal库的困惑及与Pandas结合的技术问询

为什么Decimal(0.1) + Decimal(0.2)的误差和原生浮点数不同？ #

• 核心原因是Decimal(0.1)并没有创建十进制0.1的精确值：0.1作为原生Python双精度浮点数，本身就无法用二进制精确表示，它实际是一个接近0.1的近似值（十进制约为0.1000000000000000055511151231257827021181583404541015625）。当用Decimal(0.1)初始化时，Decimal会完整保留这个不精确浮点数的所有精度信息，而非解析成十进制的0.1。
• 原生浮点数运算时，双精度的有效位数约15-17位，结果会被截断或舍入到这个范围，因此显示为0.30000000000000004。而Decimal默认精度为28位有效数字，运算时会保留更多精度，所以能展示出更详细的误差值0.3000000000000000166533453694——这个值其实是原生浮点数0.1+0.2的精确十进制展开，只是Decimal没有像原生浮点那样截断精度。

Pandas中使用decimal库是否必须将每个操作数转为字符串？ #

不是必须，但强烈推荐用字符串初始化Decimal对象，这是避免精度损失的根本方法：

• 如果直接将Pandas浮点列转为Decimal，本质和Decimal(0.1)一样，会继承原生浮点数的精度误差。正确做法是从数据源（如CSV）读取时，就将数值以字符串形式导入，再转换为Decimal类型。
• Pandas中处理Decimal的常见方式：
  • 读取数据时指定dtype=str，再用df['col'].apply(lambda x: Decimal(x))转换为Decimal列；
  • 若已有浮点列且无法重新读取，只能接受现有误差，但仍可通过Decimal进行高精度运算，减少后续累积误差；
  • 可自定义Pandas类型转换器，确保数值以字符串形式解析为Decimal，避免中间浮点数转换步骤。

内容的提问来源于stack exchange，提问作者Dakolas