看起来你遇到的问题大概率是浮点数精度误差在搞鬼——毕竟处理货币金额时，直接用浮点数（比如常见的float/Number类型）很容易出现类似0.1 + 0.2 ≠ 0.3的精度偏差，这会让你的找零逻辑在处理$0.75、$0.30这类小数面额时判断出错，而整数面额（比如$130、$55）因为没有精度损失，所以计算正常。

问题根源拆解 #

拿你给出的例子来说：商品价格$0.94，顾客付款$218，理论找零是$217.06。但如果用浮点数计算，218.0 - 0.94的结果可能不是精确的217.06，而是类似217.05999999999998这样的近似值。当你的算法尝试用这个近似值去计算$0.75、$0.30的份数时，微小的偏差会导致整数除法或取余的结果不符合预期。

最优解决方案：转换为整数（分）计算 #

处理货币计算的标准做法是把所有金额转换为最小单位（这里是分），用整数运算代替浮点数运算，彻底规避精度问题。下面是一个示例实现（以Python为例）：

# 定义所有面额（单位：分，按从大到小排序）
denominations = [
    (13000, "$130"),
    (5500, "$55"),
    (2500, "$25"),
    (500, "$5"),
    (100, "$1"),
    (75, "$0.75"),
    (30, "$0.30"),
    (1, "$0.01")
]

def calculate_change(price, payment):
    # 将美元转换为分，用round避免浮点数转整数时的截断误差
    price_cents = int(round(price * 100))
    payment_cents = int(round(payment * 100))
    
    change_cents = payment_cents - price_cents
    if change_cents < 0:
        return "支付金额不足商品价格！"
    
    change_details = {}
    for amount_cents, label in denominations:
        count = change_cents // amount_cents
        if count > 0:
            change_details[label] = count
            change_cents = change_cents % amount_cents
    
    return change_details

# 测试你的场景
test_price = 0.94
test_payment = 218.0
print(calculate_change(test_price, test_payment))

运行这段代码会得到你预期的结果：

{'$130': 1, '$55': 1, '$25': 1, '$5': 1, '$1': 1, '$0.75': 1, '$0.30': 1, '$0.01': 1}

备选方案：浮点数精度校正（不推荐） #

如果因为某些限制必须使用浮点数，可以在判断剩余金额与面额的大小关系时，加入一个极小的误差阈值（比如1e-9），来抵消浮点数的精度偏差。例如：

# 假设剩余金额是remaining，当前面额是denomination
if remaining >= denomination - 1e-9:
    count = int(remaining // denomination)
    remaining -= count * denomination

但这种方法不如整数计算可靠，边缘场景下仍可能出错，所以优先推荐第一种方案。

内容的提问来源于stack exchange，提问作者Lotun Kanji