浮点数比较应避免直接用==，而采用容差法：结合绝对容差（如1e-12）和相对容差（如1e-6），或使用语言内置函数如Python的math.isclose、NumPy的np.isclose；金融等场景须改用decimal等精确类型。
直接用 == 比较浮点数几乎总会出错，这不是语言缺陷，而是 IEEE 754 二进制表示的天然限制——比如 0.1 + 0.2 == 0.3 在所有主流语言中都返回 False。真正可靠的方案不是追求“绝对相等”，而是判断“是否足够接近”。
用容差法替代 == 判断
核心是引入一个可接受的误差阈值（epsilon），检查两数之差的绝对值是否小于此值：
- 对 double 类型，常用 abs(a - b) < 1e-9
- 对 float 类型，常用 abs(a - b) < 1e-6
- 别直接用 DBL_EPSILON 或 Float.MIN_VALUE——它们只适用于 1.0 附近的最小步长，不适用于通用比较
大小数值兼顾：组合绝对与相对容差
单一绝对容差在大数比较时易失效（如 1e10 和 1e10+1 差 1，看似小但相对误差已达 1e-10）；而纯相对容差在接近零时会除零或失真。稳妥做法是两者结合：
- 先算差值 diff = abs(a - b)
- 若 diff <= abs_eps，直接视为相等（兜底处理近零值）
- 否则计算基准量级 norm = max(abs(a), abs(b))，再判断 diff <= rel_eps * norm
- 典型取值：abs_eps = 1e-12，rel_eps = 1e-6（科学计算）或 1e-12（高精度场景）
语言级推荐工具
不必重复造轮子，优先使用标准库提供的健壮函数：
- Python：用 math.isclose(a, b, rel_tol=1e-9, abs_tol=1e-12)，注意 接近零时 abs_tol 必须显式设置，否则无效果
- Go：先用 math.IsNaN / math.IsInf 排除非法值，再套 math.Abs(a-b) < epsilon
- C++：封装自定义函数，避免依赖 std::numeric_limits<double>::epsilon() 做阈值
- NumPy：用 np.isclose，它支持数组广播，但默认参数（atol=1e-8, rtol=1e-5）和 math.isclose 不同，别混用
哪些场景必须换数据类型？
容差法只是“判断接近”，不能消除误差本身。以下情况应彻底放弃浮点数：
- 金融计算：用 decimal.Decimal（Python）、BigDecimal（Java） 或整数单位（如“分”）
- 配置值/ID/哈希校验：原始字符串或整数更安全，避免 strconv.ParseFloat 或 json.Unmarshal 的隐式截断
- 循环控制或数组索引：改用整数计数器，例如 for i in range(11): x = i * 0.1，而非 for x in [0.0, 0.1, ..., 1.0]
