因为float基于IEEE 754二进制浮点标准，无法精确表示0.1等十进制小数，实际存储为近似值；而Decimal采用十进制字符串解析，可完全精确表示并运算，避免舍入误差。
为什么 float 算出来是错的，而 Decimal 就对？
因为 float 基于二进制 IEEE 754 表示，很多十进制小数（比如 0.1）根本无法精确存储——它实际存的是近似值。而 Decimal 是十进制浮点，按字符串解析字面量，直接保留你写的精度。
常见错误现象：0.1 + 0.2 == 0.3 返回 False；银行账务里 19.99 * 100 得到 1998.9999999999998 而不是 1999。
- 必须用字符串初始化：
Decimal('0.1')✅，Decimal(0.1)❌（此时传入的已经是失真后的float） - 所有参与运算的数值都得是
Decimal类型，混用float会立刻退化回精度丢失 -
Decimal不支持math.sqrt()这类函数，要用decimal.getcontext().prec控制全局精度，再调用.sqrt()方法
怎么设置并控制 Decimal 的精度？
精度不是“四舍五入”，而是运算过程中保留的有效位数。它影响除法、开方等无限位结果，也影响最终输出的位数。
- 设置全局精度：
decimal.getcontext().prec = 28（默认是 28，不是无限） - 局部覆盖精度：用
with decimal.localcontext() as ctx:块内临时改ctx.prec - 除法必须显式指定精度，否则报
decimal.DivisionImpossible（比如Decimal('1') / Decimal('3')） - 四舍五入策略可选：
ROUND_HALF_UP（常用）、ROUND_DOWN、ROUND_CEILING等，通过quantize()应用
示例：Decimal('1.2345').quantize(Decimal('0.01'), rounding=ROUND_HALF_UP) → Decimal('1.23')
立即学习“Python免费学习笔记（深入）”；
和 float 混用时最常踩的三个坑
看似能跑，实则悄悄掉精度——这是最危险的情况。
- 把
Decimal和int相加没问题，但和float一加，整个结果变回float，精度立即崩坏 -
json.dumps()默认不认Decimal，直接报TypeError，得自己写default处理器转成str或float（后者又丢精度） - 数据库驱动（如
psycopg2、mysql-connector-python）通常把 DECIMAL 字段读成Decimal，但若你用float()强转再入库，就白用了
什么时候其实没必要用 Decimal？
不是所有小数场景都需要它。过度使用反而增加开销、降低可读性。
- 科学计算、图像处理、机器学习参数——这些本来就是近似模型，
float更快更通用 - 时间戳、坐标偏移量等相对值，误差在毫秒或像素级可接受，
float完全够用 - 配置文件里读出来的数字如果只做比较或索引（比如
timeout: 3.5），转成float更轻量
真正需要 Decimal 的，是那些“差一分钱都不能忍”的上下文：计费、会计、金融报价、税务计算——而且必须从输入源头（字符串）就开始守牢精度链。
