双精度浮点数存为文本：numpy.savetxt默认格式精度疑问

核心结论：fmt='%.16e'可实现无精度损失的保存与加载 #

是的，使用fmt='%.16e'格式保存64位双精度浮点数，完全可以在加载时精准还原原始二进制值，不会有精度损失。

从你的测试结果也能验证这一点：当使用%.16e（对应17位有效数字）时，测试返回True，说明所有随机生成的浮点数及其相邻的可表示值，在格式化后再解析都能完全匹配原始值。这和C++标准中DBL_DECIMAL_DIG=17的定义一致——17位有效十进制数字是唯一表示每个64位浮点数所需的最小位数，足以覆盖所有双精度浮点数的精度范围。

为什么savetxt()默认用fmt='%.18e'？ #

虽然理论上17位有效数字就足够，但NumPy选择%.18e作为默认格式，主要有以下几个原因：

• 历史实践惯性：早期数值计算领域，开发者习惯多保留1-2位冗余数字，避免在后续的链式计算或跨工具处理中，因截断操作意外引入误差，即使理论上不需要这么高的精度。
• 跨工具兼容性：部分其他编程语言或数值工具的默认浮点数输出会保留更多位数，NumPy采用更保守的格式，能确保输出的文本文件在这些工具中解析时，不会出现精度丢失或解析偏差。
• 边缘场景容错：对于极少数极端接近的浮点数，多输出1位数字可以消除解析时的歧义，确保不同的解析器（比如Python的float()、C++的stod()）都能还原出同一个原始二进制值。
• 微小的成本代价：多输出1-2位数字对文件大小的影响微乎其微，但能让人工查看文件时，看到更接近浮点数真实存储值的表示，提升可读性。

测试代码与结果验证 #

你编写的测试代码能很好地验证精度兼容性：

import numpy as np
def test(n, iterations=1_000_000, scale=2**20):
    for i in range(iterations):
        a = scale*(np.random.random()*2 - 1)
        for b in [a, np.nextafter(a, -np.inf), np.nextafter(a, np.inf)]:
            if float(f'{{:.{n}e}}'.format(b)) != b:
                return False
    return True
for n in range(19):
    print(f'Binary compatibility with fmt=%.{n}e ({n + 1} significant digits)?', test(n))

测试结果明确显示：

...
Binary compatibility with fmt=%.15e (16 significant digits)? False
Binary compatibility with fmt=%.16e (17 significant digits)? True
Binary compatibility with fmt=%.17e (18 significant digits)? True
Binary compatibility with fmt=%.18e (19 significant digits)? True

内容的提问来源于stack exchange，提问作者jmd_dk