Decimal是金融系统唯一能保证分级精确、可复现、可审计的Python标准方案，因其直接按十进制字符串解析，避免IEEE 754二进制截断误差。
因为 float 会把 0.1 + 0.2 算成 0.30000000000000004，而金融系统要求“分”级精确、可复现、可审计——decimal 是唯一能同时满足这三点的 Python 标准方案。
Decimal('0.1') + Decimal('0.2') == Decimal('0.3') 是硬性保障
float 的误差来自 IEEE 754 二进制表示，0.1 在二进制中是无限循环小数，必须截断；decimal 直接按十进制字符串解析，不经过二进制中转。这意味着：
- 所有输入必须用字符串构造：
Decimal('0.1')✅，Decimal(0.1)❌（后者已携带 float 误差） - 结果可直接用于等值判断：
total == Decimal('100.00')安全可靠，不会因底层表示漂移而失效 - 尾随零被保留：
Decimal('100.00')和Decimal('100.0')是不同对象，体现有效位数差异，符合会计惯例
getcontext().prec 控制的是有效数字，不是小数位
很多人设 getcontext().prec = 2 想让金额固定到“分”，结果发现 Decimal('1000.99') + Decimal('0.01') 变成 Decimal('1.0E+3')——这是因为 prec 管的是整个数字的有效位总数，不是小数点后几位。
- 金融场景真正需要的是固定小数位（如 2 位），必须用
quantize()显式处理 - 正确写法：
total.quantize(Decimal('0.01'), rounding=ROUND_HALF_UP) -
prec应设得足够高（比如 28），只用于防止中间计算溢出；最终格式化靠quantize()，不能省
混合运算会悄悄退化成 float，错误极难排查
一旦出现 Decimal('100') / some_float_var 或 math.sqrt(Decimal('2'))，Python 就会隐式把 Decimal 转成 float 再算，误差瞬间污染整条链。
立即学习“Python免费学习笔记（深入）”；
- 常见雷区：从 JSON/CSV 读数字后直接传给
Decimal()，但源字段已是float类型 - 第三方库返回
float（如 NumPy 的聚合函数、某些统计包），未做二次包装 - 最稳妥做法：统一过一遍
str()，哪怕它是整数——Decimal(str(x))比Decimal(x)多一层防御
并发环境必须用 localcontext() 隔离精度设置
全局 getcontext() 是线程共享的。Web 服务里一个请求调 getcontext().prec = 2，另一个请求可能正在用 prec = 28 做风控模型计算，互相覆盖会导致结果错乱。
- 正确姿势：
with localcontext() as ctx:块内设精度，退出自动还原 - 不要在模块顶层或初始化阶段修改全局上下文，除非你确定整个进程永远只跑一种精度逻辑
- 数据库 ORM 字段映射、异步任务、FastAPI 中间件等场景，都必须检查是否意外共享了上下文
真正难的不是学会用 quantize() 或 localcontext()，而是把“所有输入先转字符串”和“绝不混用 float”变成肌肉记忆——这两点漏掉任何一处，前面所有精度努力都会白费。
