math.isclose比==更可靠，因其通过rel_tol和abs_tol容差机制处理IEEE 754浮点误差，避免0.1+0.2==0.3返回False的问题；它不修正数值，仅判断接近性。
为什么 math.isclose 比 == 更可靠？
直接用 == 比较浮点数常会出错，比如 0.1 + 0.2 == 0.3 返回 False——这不是 Python 的 bug，而是 IEEE 754 浮点表示的固有限制。而 math.isclose 通过允许一定范围内的误差来判断“是否足够接近”，这才是数值比较的合理方式。
math.isclose 的两个关键参数怎么选？
它默认使用相对容差 rel_tol=1e-09 和绝对容差 abs_tol=0.0。但实际中必须根据场景调整：
- 对极小值（如
1e-15）比较时，rel_tol失效，必须显式设abs_tol（例如abs_tol=1e-12） - 科学计算中常用
rel_tol=1e-5，表示允许 0.001% 的相对偏差 - 金融或高精度场景慎用默认值，建议先确认业务可接受的最大绝对误差再设
abs_tol
示例：math.isclose(1.0000001, 1.0000002, rel_tol=1e-6) 返回 True；但用 == 就是 False。
和 numpy.isclose 有什么区别？
如果你已经在用 NumPy，别混用：numpy.isclose 默认 atol=1e-8、rtol=1e-5，且支持数组广播；而 math.isclose 只接受标量，不支持 nan 或 inf 的默认行为（需额外处理）。若输入可能含 nan，记得传 equal_nan=True，否则一律返回 False。
立即学习“Python免费学习笔记（深入）”；
常见误用：把 math.isclose 当作“四舍五入替代品”
它不改变数值，只做判断。有人写 if math.isclose(x, y): x = y 来“修正”浮点误差——这没意义，因为 x 和 y 在内存里仍是不同 bit 模式，下次运算仍会累积误差。真要控制精度，该用 decimal.Decimal 或明确截断逻辑（如 round(x, 10)），而不是靠比较后赋值。
最易被忽略的是：当比较接近零的数时，rel_tol 自动退化，此时 abs_tol 不是可选项，而是必填项——漏掉它，就等于没设容差。
