如何避免numpy.round函数出现不正确的舍入问题？

哦，这个问题我太熟了——你碰到的正是IEEE 754二进制浮点数的经典陷阱！100.045看起来是个简单的十进制数，但它没法被精确表示为二进制浮点数，实际存储在内存里的是一个略小于100.045的数值，所以np.round(100.045, 2)才会返回100.04而非预期的100.05。

下面给你几个实用的解决方法，根据你的使用场景选就行：

• 用decimal模块做精确十进制运算
  Python标准库的decimal就是专门解决这类问题的，它完全基于十进制规则处理数值，能完美符合我们日常的舍入预期。用法很简单：

  from decimal import Decimal, ROUND_HALF_UP
  # 一定要用字符串传入数值，避免提前引入二进制浮点数误差
  num = Decimal('100.045')
  # 保留两位小数，采用四舍五入规则
  rounded_num = num.quantize(Decimal('0.00'), rounding=ROUND_HALF_UP)
  print(rounded_num)  # 输出: 100.05
  

  金融、货币这类对精度要求极高的场景，强烈推荐用这个方法。

• 先放大为整数再舍入
  如果你不想额外引入模块，可以通过“放大-舍入-缩小”的思路来修正误差：

  import numpy as np
  num = 100.045
  # 加1e-8是为了修正存储时的微小偏差，让数值回到预期的舍入区间
  rounded_num = np.round(num * 100 + 1e-8) / 100
  print(rounded_num)  # 输出: 100.05
  

  这个方法适合简单场景，但要注意如果放大后的数值依然无法精确表示为整数，可能还是会有问题。

• numpy环境下的批量处理方案
  如果你要处理numpy数组，可以把decimal和np.vectorize结合起来用（虽然vectorize是循环实现，但小批量数据足够用）：

  import numpy as np
  from decimal import Decimal, ROUND_HALF_UP
  
  def decimal_round(x):
      return float(Decimal(str(x)).quantize(Decimal('0.00'), rounding=ROUND_HALF_UP))
  
  # 测试数组
  arr = np.array([100.045, 200.065, 300.015])
  rounded_arr = np.vectorize(decimal_round)(arr)
  print(rounded_arr)  # 输出: [100.05 200.07 300.02]
  

  要是处理超大数据量，建议先把数组转成字符串列表再用decimal批量处理，效率会更高。

最后提个醒：二进制浮点数的精度问题是天生的，只要涉及十进制小数的精确运算，都要尽量避开直接用float或numpy的默认浮点数类型。

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