Python “np.floor（）”和float division的奇怪行为

这是怎么回事

In [86]:  np.floor(10.0 * .91)
Out[86]:  9.0

In [87]:  np.floor(10.0 * .91)/10.0
Out[87]:  0.90000000000000002

为什么不

0.9

编辑： 我想这样做：

#create 2d bins
bins = {}
for x in np.arange(-1,1, 0.1):
    for y in np.arange(-1,1, 0.1):
        bins[(x,y)] = 0

#count number of occurences in each bin
for x,y in np.random.randn(10,2):
    rounded = (np.floor(10.0 * x)/10.0, np.floor(10.0 * y)/10.0)
    bins[(x,y)] += 1   # I get an error here

得到的结果是0.9，或者至少与双精度浮点数的结果一样接近0.9：

>>> numpy.float64(0.9)
0.90000000000000002

0.9不能用有限的二进制分式数精确表示，因此必须对其进行近似

Python内置的浮点类型

float

总是试图找到将四舍五入到给定浮点数的最短十进制表示形式，从而试图隐藏问题。这就是为什么你会

>>> 0.9
0.9

---

在当前版本的Python中。早期版本（我认为2.6之前的版本）将向您显示与Numpy浮点数据类型相同的舍入值。

事实证明，与Python的

float

相比，Numpy有一种不同的算法将

float64

转换为字符串

当字符串0.9000000000000002和0.9被解析为float64时，它们最终具有相同的位模式

您可以确认

np.floor（10.0*.91）/10.0==0.9

产生

True

这里的根本问题是，当将浮点转换为字符串时，应该给出多少个小数位？一些实现使用最小位数，以便将字符串解析为最接近的浮点值将产生相同的值。为了安全起见，一些实现将提供额外的数字

因为最终，浮动（“0.9”）实际上正好等于0.9000000002220446049250313080847263336181640625。所以在某种意义上，两个答案都是正确的

---

问题与解答第二部分：您可以花时间了解浮点运算的工作原理，也可以在字典中使用整数桶

---

换句话说，与其使用

-1.0，-0.9，-0.8，…，0.9

，不如使用

-10，-9，-8，…，9

。它应该可以防止以后出现很多问题。

这与

地板
没有任何关系
np.int32（9）/10给出了相同的结果。“每一位计算机科学家都应该知道浮点运算”——这与
np.floor
无关。看看
np.float64（0.9）
。然后阅读但等待：
math.floor（）
在提问者的同一代码上，行为不同，并打印0。9@NayukiMinase：这是由于Python内置的
float
类型和
numpy.float64
上的
实现不同。我扩展了我的答案。谢谢。我编辑了我的问题，因为即使我理解你的答案，我也不知道该怎么办。好的，我回答了你问题的第二部分。