Python中如何使59.725与59.72497两个相近数值均向上取整为59.73？

看起来你需要的不是Python默认的四舍五入（银行家舍入），而是向上取整（天花板取整）到两位小数——不管第三位小数及以后的数值是多少，只要超过两位小数的部分不为零，就进一位到下一个两位小数。这样59.725和59.72497都会被舍入为59.73，正好满足你的需求。

问题根源 #

你之前用的round()函数采用的是银行家舍入规则（四舍六入五成双），再加上浮点数的精度特性，59.725实际在内存中可能存储为一个略大于59.725的值，所以round(59.725, 2)会得到59.73；而59.72497明显小于59.725，所以会被舍入为59.72。但你想要的是统一向上取整，所以需要换一种思路。

解决方案：使用math.ceil或numpy.ceil实现向上取整 #

向上取整的核心逻辑是：先把数值放大100倍（对应保留两位小数），取大于等于该值的最小整数，再缩小100倍还原。

方法1：用math.ceil结合pandas.apply（小数据集友好）

这个方法简单直观，适合数据量不大的场景：

import math
import pandas as pd

def ceil_df_columns(df, col_list):
    for col_name in col_list:
        # 对列中每个值执行：放大100倍→向上取整→缩小100倍
        df[col_name] = df[col_name].apply(lambda x: math.ceil(x * 100) / 100)
        # 若遇到浮点数精度问题（比如某些值本应向上取整却没生效），可以加极小值修正：
        # df[col_name] = df[col_name].apply(lambda x: math.ceil((x + 1e-9) * 100) / 100)
    return df

方法2：用numpy.ceil实现向量化操作（推荐大数据集）

如果你处理的DataFrame行数很多，用numpy的向量化操作会比apply快得多，因为它是批量处理而非逐元素循环：

import numpy as np
import pandas as pd

def ceil_df_columns(df, col_list):
    for col_name in col_list:
        df[col_name] = np.ceil(df[col_name] * 100) / 100
    return df

测试验证 #

我们来测试一下这两个函数的效果：

# 创建测试DataFrame
test_df = pd.DataFrame({'target_col': [59.725, 59.72497, 59.72, 59.721]})
# 应用函数
result_df = ceil_df_columns(test_df, ['target_col'])
print(result_df)

输出结果：

target_col
0       59.73
1       59.73
2       59.72
3       59.73

完全符合你的需求：59.725和59.72497都变成了59.73，刚好是两位小数的59.72保持不变，59.721也向上取整为59.73。

额外提示：优化你原来的函数 #

你之前的函数用了两层循环+replace，这种方式效率极低（尤其是数据量大的时候），因为replace会遍历整个列找匹配值。上面的方法都是直接对列进行批量处理，性能会提升很多。

内容的提问来源于stack exchange，提问作者ajnabz