浮点数运算

是什么，为什么存在

二进制浮点数（binary floating-point） 用符号、定宽有效数字和二的幂次表示有限数。它类似科学记数法，只是数字采用二进制。64 位格式因而可以覆盖极小到极大的量级，同时保持大致固定的有效数字精度。

这种格式是一套近似系统，不能保存任意实数。最简分数的分母只要含有二以外的质因数，其二进制展开就会无限循环。十进制 0.1 就是一个例子，因此运行时转换这个字面量时，必须选择附近某个可表示值。

算术运算也面临同样的选择。可以把过程理解成先求数学结果，再将它舍入为可表示值。一连串看似很小的舍入决定可能使预期等式不成立，改变运算顺序也会改变丢失的信息。

浮点数之所以存在，是因为固定存储空间不可能编码所有实数。它以精确性换取宽广范围、可预测的硬件运算，以及通常随数值量级缩放的误差。这种取舍适合测量、图形、模拟、统计和许多机器学习计算。

有些领域并未主动选择浮点数，却同样会遇到它。JavaScript 的 Number 类型对普通数值使用 IEEE 754 binary64 值集合，因此 JSON 数据、浏览器 API 和应用公式经常继承这些语义。下文示例使用 Node 24，可以直接观察这些规则。

近似不一定是缺陷。分辨率为 0.01 度的温度传感器本来就带有物理不确定性，远小于此的表示误差可能毫无影响。工程上的关键问题是：表示方式和累计误差是否满足明确的精度约定。

部分领域需要不同语义。账户余额通常使用整数最小货币单位，或使用带明确精度与舍入规则的十进制类型。标识符和计数器需要整数运算；符号计算或有理数计算则能以更高成本保留精确关系。

工作原理

有限编码

JavaScript Number 背后的 IEEE 754 binary64 格式把 64 位分成三个字段。小数字段存储 52 位，正规数还含有一个隐含的前导 1，所以精度为 53 位。

对于正规有限值，这些字段描述 (-1)^sign × (1.fraction) × 2^(exponent - 1023)。该表示式说明了为何指数越大，相邻可表示值的距离越远。位模式并不携带固定的小数位数。

指数两端的模式具有特殊含义。全零指数表示零或次正规数，让数值能够逐步接近零。全一指数在小数字段为零时表示无穷，否则表示 NaN。

转换与舍入

解析 0.1 这样的源文本时，实现会按照语言的转换规则选择一个 binary64 值。存储值可能高于或低于对应的数学十进制值。输出通常选择能重新解析为相同二进制值的短十进制字符串，因此近似现象可能被隐藏。

基本 Number 算术会把结果舍入到最近的可表示 binary64 值；若结果恰好位于中点，则选择最低位为偶数的候选值。这种「就近舍入，中点取偶」规则可以避免大量中点持续向上或向下偏移。但精确结果位于两个可表示值之间时，误差仍然存在。

每次运算接收的操作数已经经过舍入。对于 0.1 + 0.2，两个输入都不是对应的精确十进制分数，它们存储值的精确和还要再次舍入。最终结果略高于字面量 0.3 所选择的 binary64 值。

普通结果的舍入误差可按相对量级限制，但它不是固定的十进制偏移。Number.EPSILON 是 1 与下一个更大 Number 的距离。在 2 附近，间距会增大一倍；在极小的正规数附近，间距则小得多。

精度、范围与间距

Binary64 可以精确表示从 -2^53 + 1 到 2^53 - 1 的每个整数。超过安全整数范围后，有些整数会被跳过。2^53 加 1 不会发生变化，因为下一个可表示值相距两个单位。

范围限制与精度限制并不相同。Number.MAX_VALUE 是最大的有限 Number；结果越过溢出边界后会舍入为无穷。Number.MIN_VALUE 是最小的正次正规数，除以二后会舍入为正零。

次正规数用有效数字精度换取渐进下溢。它们以等间距填充最小正规数量级与零之间的区间。算法接近这条边界时，即使结果尚未变成零，相对精度也可能已经下降。

运算不遵循实数代数

对于普通有限操作数，浮点加法和乘法具有交换性，但 NaN 与带符号零会带来一些细节。它们通常不具有结合性。(a + b) + c 与 a + (b + c) 的舍入点不同，可能产生不同值。

两个非常接近的值相减尤其危险。前面的有效数字相互抵消，结果中剩余的数字来自操作数精度较低的部分。这种灾难性消减并非减法本身出错，而是先前的近似现在主导了这个微小差值。

优化器、向量库、数据库和并行归约可能用不同方式组织运算。数值上有效的结果因而可能在不同执行计划或平台上出现末位差异。若需要可重现性，就必须明确规定算法，不能仅从相同的源表达式推断它。

比较约定

当约定保证表示方式相同时，精确相等比较很合适。例如，排除 NaN 后将值与自身比较、检查安全范围内解析出的整数，或检测由同一运算产生的精确哨兵值。精确比较并非在所有场景下都是错误。

计算得到的测量值通常需要容差。绝对容差保护接近零时的比较，相对容差则随操作数量级缩放。稳健的谓词通常允许差值不超过这两个界限中的较大者。

容差必须来自领域要求和算法误差预算。照搬 Number.EPSILON 只是在比较 1 附近的间距；把它乘以任意大常数，也只是掩盖缺失的要求。单位、传感器分辨率、迭代次数和可接受的业务误差才是更好的依据。

进入容差逻辑之前，要先定义特殊值策略。使用 === 时，NaN 不等于任何值，包括自身。正零与负零在 === 下相等，但 Object.is() 可以区分两者，它们的倒数也是符号相反的无穷。

示例

下面的示例依次展示表示与比较、信息丢失和范围边界。所有输出都来自使用 Node v24.14.0 实际执行对应文件。

观察存储的近似值

这段税额计算先输出熟悉的短表示，再要求 17 位有效十进制数字。比较辅助函数结合相对界限与可选的绝对下限，并在执行减法前单独处理非有限值。

精确比较为假，是因为两个表达式选择了相邻的 binary64 值。toPrecision(17) 暴露出足以区分它们的十进制数字。它不会直接显示位模式，但能让表示差异显现出来。

1e-12 相对容差只是一项示例策略，不是通用常数。生产环境的税务系统通常不应使用二进制浮点数保存金额，而要定义精确的十进制舍入。该辅助函数更适合可接受相对误差确实为 1e-12 的近似测量。

接近零时，只用相对容差会使界限缩向零，可能拒绝无害噪声。应根据领域中的最小有意义量级设置 absolute。非有限值要绕过减法，因为 Infinity - Infinity 会产生 NaN，导致原本允许相同无穷的策略意外失败。

观察加法丢失信息

这些调整值的数学总和为 1。如果先让两个大数相消，再加入小数，同样三个值会产生不同结果。

const adjustments = [1e16, 1, -1e16];

function sum(values) {
  let total = 0;
  for (const value of values) total += value;
  return total;
}

const smallFirst = [...adjustments].sort(
  (left, right) => Math.abs(left) - Math.abs(right),
);
const cancelFirst = [adjustments[0], adjustments[2], adjustments[1]];

console.log(`input order: ${sum(adjustments)}`);
console.log(`small first: ${sum(smallFirst)}`);
console.log(`cancel first: ${sum(cancelFirst)}`);
console.log(`mathematical total: 1`);

input order: 0
small first: 0
cancel first: 1
mathematical total: 1

在 1e16 量级，相邻 binary64 值之间的距离大于 1。把这个小调整值加到任一大数上，都会将其舍掉。按绝对值从小到大排序在这里也无法保住它，因为下一次运算仍要把部分和与 1e16 结合。

cancelFirst 顺序先让符号相反的大数形成精确零，再加入 1。这只是一个演示，并不是要求一般算法寻找抵消数对。应该根据数据量级和精度要求选择成对求和、补偿求和或更高精度的表示方式。

顺序敏感性会影响批处理和并行工作。把数据集拆成分块会改变部分和，合并部分和时还会形成另一棵舍入树。除非逐位可重现确实是接口承诺，否则测试应声明误差界限。

检查范围与特殊值

这个示例越过正数范围的两端，再检查特殊值的比较行为。控制台格式会隐藏零的符号，所以代码通过 Object.is() 和倒数把它显现出来。

const overflowed = Number.MAX_VALUE * 2;
const underflowed = Number.MIN_VALUE / 2;
const invalidRatio = 0 / 0;
const signedZero = -1 / Infinity;

console.log(`overflow: ${overflowed}`);
console.log(`underflow: ${underflowed}`);
console.log(`invalid equals itself: ${invalidRatio === invalidRatio}`);
console.log(`invalid detected: ${Number.isNaN(invalidRatio)}`);
console.log(`finite overflow result: ${Number.isFinite(overflowed)}`);
console.log(`signed zero prints as: ${signedZero}`);
console.log(`signed zero preserved: ${Object.is(signedZero, -0)}`);
console.log(`reciprocal: ${1 / signedZero}`);

overflow: Infinity
underflow: 0
invalid equals itself: false
invalid detected: true
finite overflow result: false
signed zero prints as: 0
signed zero preserved: true
reciprocal: -Infinity

JavaScript 浮点溢出和无效运算不一定抛出异常。如果输入或结果边界没有拒绝这些值，它们可以继续流过整个计算。API 只接受普通有限测量值时，应使用 Number.isFinite()。

Number.isNaN() 能直接表达 NaN 检查，也不会强制转换字符串。旧式 value !== value 写法之所以有效，是因为 NaN 是 JavaScript 中唯一不等于自身的值，但这种写法隐藏了意图。应用校验应优先使用命名谓词。

负零是否重要取决于领域。在数值工作中，它可以编码趋近方向；许多业务领域则希望在格式化、序列化或散列前将它规范化。应在对应边界上明确决定，不能因为输出为 0 就认为符号已经消失。

陷阱

把十进制输入当作精确值

修复方法： 当范围与固定精度允许时，使用整数最小货币单位；否则使用经过验证、带明确精度与舍入模式的十进制实现。在边界上解析并验证十进制文本；如果先转换为二进制浮点数，表示已经改变。

到处使用同一个 epsilon

修复方法： 根据算法误差推导相对容差，根据领域分辨率推导绝对容差。单独处理非有限值，记录单位，并同时测试接近零与最大预期量级的值。

没有十进制约定就缩放舍入

修复方法： 先说明要求针对显示、存储还是结算，并指定中点规则。格式化只用于显示；精确十进制约定应使用整数或十进制算术，缩放前还要检查范围。

让非有限结果越过边界

修复方法： 在领域边界用 Number.isFinite() 验证有限输入和输出。明确溢出时应拒绝、饱和还是切换表示方式，并在错误中附上运算与单位。

假定代数重排无害

修复方法： 重排数值代码前，检查中间量级与问题条件性。测试量级悬殊的对抗数据，在精度重要时保留稳定算法，并为输出规定容差或可重现性要求。

忽略整数精度边界

修复方法： 对整数含义的 Number 输入执行 Number.isSafeInteger()。领域可能超过安全范围时，使用 BigInt、经过验证的十进制文本或其他整数表示，并避免经过 Number 的有损往返转换。

延伸阅读

• ECMAScript 规范：Number 类型
• MDN Web Docs：Number.EPSILON
• MDN Web Docs：Number.isFinite()
• Oracle 数值计算指南：浮点算术基础
• IEEE 754-2019 标准