应使用绝对误差比较而非==判断浮点数是否为零，因IEEE 754存在精度损失，需设定合理epsilon阈值（如1e-6）并检查abs(x) < epsilon。
为什么不能直接用 == 判断浮点数是否为零
浮点数在内存中以 IEEE 754 格式存储，存在精度损失。即使看起来是“0.0”，实际值可能是 1e-17 或 -5e-45 这类极小但非零的数。直接写 x == 0.0 在绝大多数情况下能“碰巧”成立，但一旦涉及计算（比如 0.1 + 0.2 - 0.3），结果往往不是严格零，== 就会返回 false。
这不是编译器 bug，而是浮点数表示能力的固有限制 —— 它们根本无法精确表示大多数十进制小数。
应该用什么方式判断“接近零”
用绝对误差比较：判断浮点数是否落在以 0 为中心、半径为某个小阈值的区间内。这个阈值叫 epsilon，选多大取决于你的场景：
- 对
float，常用std::numeric_limits<float>::epsilon()</float>（约1.19e-7），但它表示的是 1.0 附近的最小可分辨差值，**不适用于判断接近零的数** - 更稳妥的做法是根据数据量级或业务需求自定义阈值，例如：
1e-6（适合一般工程计算）、1e-9（高精度场景） - 如果变量本身可能非常大或非常小，需考虑相对误差，但“是否为零”这个需求通常只关心绝对接近程度
示例：
立即学习“C++免费学习笔记（深入）”；
bool is_zero(float x) {
return std::abs(x) < 1e-6f;
}
<p>bool is_zero(double x) {
return std::abs(x) < 1e-9;
}
别忽略 NaN 和 ±inf 的干扰
std::abs(NAN) 仍是 NAN，而 NAN < 1e-6 恒为 false，所以上面的 is_zero 函数对 NAN 会错误返回 false（这其实是合理行为：NaN 不等于任何值，包括 0）。但如果你的输入可能来自未校验的外部数据或数值不稳定计算，得先排除异常值：
- 用
std::isnan(x)检查是否为 NaN；若为真，通常不应视为零 - 用
std::isinf(x)检查是否为无穷；±inf 显然也不该被当作零 - 多数时候，你真正想表达的是“这个值在数值上可安全视作零”，那就要显式处理这些情况
增强版：
bool is_effectively_zero(double x) {
if (std::isnan(x) || std::isinf(x)) return false;
return std::abs(x) < 1e-9;
}
不同标准库函数的 epsilon 值容易混淆
std::numeric_limits<t>::epsilon()</t> 返回的是 1.0 附近 的单位精度（即 1.0 + epsilon != 1.0 成立的最小正数），不是“能代表零的最小正数”。对 double，它的值是 2.22e-16，但拿它去判断 1e-15 是否为零就会失败 —— 因为 1e-15 > epsilon，却远小于典型计算误差。
- 不要用
epsilon()直接当零阈值 - 可以用它估算相对误差：比如判断
a ≈ b时，常用std::abs(a - b) （注意 a ≠ 0） - 判断是否为零，始终优先考虑绝对阈值，且该阈值应与你数据的物理/业务意义匹配
实际项目里最常踩的坑，是把“没出错”当成“逻辑正确”——比如单元测试里用 == 断言浮点结果，偶尔通过就以为没问题，直到某次矩阵求逆或积分计算引入微小累积误差，整个条件分支就静默失效了。
