Python浮点运算精度丢失：如何保留25位小数精度？

为什么会出现数值丢失？ #

float64（双精度浮点数）的有效十进制位数仅为15-17位。你的场景中，arrB约为1e-14，arrC*varD是1e-20，两者相差6个数量级——当用float64计算arrB - arrC*varD时，这个极小的减法操作落在了float64的精度范围之外，导致运算结果直接被舍入为arrB，相当于arrC*varD被完全丢弃。

np.around无效的原因是：它只能对已存储的数值做四舍五入，但此时arrB - arrC*varD的结果已经因为精度限制变成了arrB，再怎么round也无法找回丢失的部分。

解决方法 #

1. 使用更高精度的浮点数类型（numpy.float128） #

如果你的平台支持（Linux、macOS通常支持，Windows需注意兼容性），可以将数组转换为float128类型，它的有效十进制位数约为33位，足够覆盖你需要的25位精度：

import numpy as np

# 将所有参与运算的变量转换为float128
arrB = arrB.astype(np.float128)
arrC = arrC.astype(np.float128)
varD = np.float128(varD)

# 执行运算
arrA = arrB - arrC * varD

2. 使用Python的decimal模块（可控高精度） #

如果需要跨平台的稳定高精度支持，或者更精细的精度控制，可以用Python标准库的decimal模块，手动设置足够的精度（比如30位）：

from decimal import Decimal, getcontext
import numpy as np

# 设置精度为30位（满足25位需求）
getcontext().prec = 30

# 将numpy数组转换为Decimal类型数组
arrB_dec = np.array([Decimal(x) for x in arrB])
arrC_dec = np.array([Decimal(x) for x in arrC])
varD_dec = Decimal(varD)

# 执行运算
arrA_dec = arrB_dec - arrC_dec * varD_dec

# 如需转回numpy数组（注意：转回float64会再次丢失精度，仅必要时操作）
arrA = np.array([float(x) for x in arrA_dec])

注意事项 #

• float128在部分平台可能无原生支持，可通过np.finfo(np.float128).precision查看实际有效位数。
• decimal模块运算速度慢于numpy原生浮点数，适合精度要求极高但数据量不大的场景。

内容的提问来源于stack exchange，提问作者voidskarth