许多开发者疑惑：为什么float类型明明取值范围内，计算结果却出现偏差？实际上，这并非float“不准确”，而是因为它采用32位二进制、遵循IEEE 754标准表示小数，其存储机制天然只能保证6～7位有效数字——超出此范围的数字会被截断或四舍五入。这一限制源自内存结构设计，并非计算错误。

float的内存结构直接决定了精度上限

一个float占用4字节（32位），分为三部分：

• 符号位1位：表示正负号
• 指数位8位：偏移量为127，支持的指数范围约为−126到+127
• 尾数位23位（隐含前导1，实际精度为24位）：能够区分的不同数值总数由此决定

这24位二进制最多对应约7位十进制有效数字。举例说明：
— 20014999是8位整数，float会存储为2.0015E7；
— 16777216（即2²⁴）是float能精确表示的最大连续整数，加1后可能保持不变。

有效数字≠小数点后位数

有效数字是指从左起第一个非零数字开始计算的所有位数，与小数点位置无关：

• 0.000123456789f → 保留前7位有效数字，得到0.0001234568（约等于1.234568×10⁻⁴）
• 123456789.0f → 超过7位，变为1.234568×10⁸（即123456800）
• 1.0f / 3.0f → 结果为0.33333334（显示8位，但第7位已经四舍五入）

常见精度丢失现象：根源在于尾数截断

以下现象并非程序bug，而是二进制近似与有限尾数位的自然结果：

• 0.1f + 0.2f == 0.3f 返回false：因为0.1和0.2的二进制表示无限循环，存储时已被四舍五入
• for (float x = 0.0f; x != 1.0f; x += 0.1f) 可能导致死循环：累加误差使x始终无法精确等于1.0
• 2324234234234234f + 1 == 2324234234234234f 结果为true：在该数量级下，相邻可表示值的间隔远大于1

何时需要关注float精度，何时可以忽略

判断标准在于业务是否依赖“精确相等”或“零误差累积”：

• 必须避免使用float：金额计算（如0.1元+0.2元）、唯一编号、数据库主键、配置阈值判断
• 可以放心使用float：图形坐标（本身存在像素误差）、传感器原始数据（含噪声）、归一化系数（如alpha = 0.7f）、模型权重（训练过程允许微小抖动）
• 需要更高精度时选择：double类型（15位有效数字）或BigDecimal（构造时必须传入字符串，例如new BigDecimal("0.1")）