Python浮点数求和精度疑问：为何大小相近的数相加结果更准？

浮点数底层存储规则 #

Python 中的浮点数遵循 IEEE 754 双精度存储标准，每个浮点数由符号位、指数位、尾数位三部分组成，其中尾数位长度固定为52位，换算为十进制约为15~17位有效数字，超出有效数字范围的低位数值会被直接截断丢弃。

跨量级浮点数相加的精度丢失逻辑 #

当两个数的量级差距过大时，小数的有效数字会完全落在大数的有效数字覆盖范围之外，相加后小数的贡献会被直接截断，相当于小数部分没有参与计算。
举个简化的十进制模拟例子：假设我们的浮点数仅支持保留4位十进制有效数字：

• 大数为 100.0（表示为1.000×10²）
• 小数为 0.0001（表示为1.000×10⁻⁴）
  二者理论相加结果为 100.0001，但受限于有效数字长度，最终结果会被截断为1.000×10²即100.0，小数的部分完全丢失。

两种求和顺序的精度对比 #

• A顺序（从小到大累加）：每次参与相加的两个数量级接近，累加总和缓慢增长，和下一个待加数值的量级差距始终很小，相加时低位有效数字不会被完全截断，累计精度损失更低。
• B顺序（从大到小累加）：当总和累积到较大值后，后续待加的0.01、0.02等小数值和总和的量级差距越来越大，大量低位小数部分会被直接截断，累计精度损失远高于A顺序。

你可以用以下Python代码直观验证误差差异：

import math

# 生成0.01到1.00的序列
num_list = [i * 0.01 for i in range(1, 101)]
# 高精度求和作为基准值
exact_val = math.fsum(num_list)
# 从小到大求和
sum_small_to_big = sum(num_list)
# 从大到小求和
sum_big_to_small = sum(reversed(num_list))

print(f"基准精确值：{exact_val}")
print(f"A顺序绝对误差：{abs(sum_small_to_big - exact_val)}")
print(f"B顺序绝对误差：{abs(sum_big_to_small - exact_val)}")

运行后可观测到B顺序的误差明显大于A顺序。

内容的提问来源于stack exchange，提问作者KishuInu