df['col'] == 0.1 总是返回全 False 是因浮点数无法精确表示十进制小数，IEEE 754 存储的是近似值 0.10000000000000000555...，直接等于比较必然失败。
为什么 df['col'] == 0.1 总是返回全 False？
这不是 Pandas 的 bug，而是浮点数在二进制中无法精确表示十进制小数（如 0.1）导致的。IEEE 754 双精度实际存储的是近似值 0.10000000000000000555...，所以用 == 直接比较几乎必然失败。
- 所有基于
float64的列都受此影响，包括从 CSV/Excel 读入后未指定类型的数据 -
round()、astype(int)等操作不解决根本问题，中间仍走浮点路径，误差可能放大 -
pd.options.display.float_format只控制显示，不影响底层值，不能用于逻辑判断
读取阶段就避免精度污染：用 dtype='string' + Decimal
对金额、坐标等关键字段，读取时就不该让 Pandas 自动转成 float。直接按字符串读入，后续按需转 Decimal。
- 使用
pd.read_csv(..., dtype={'amount': 'string', 'lat': 'string'}) - 之后用
df['amount'].apply(lambda x: Decimal(x) if pd.notna(x) else None)转高精度数值 - 注意：绝不能用
float(x)中转，那会立刻丢失精度 - 该方法性能较差，只适用于金融字段或中小数据集
计算和比较时别用 ==，改用 np.isclose() 或区间判断
当你必须用浮点列做筛选或断言时，绕过逐位相等比较，改用容差逻辑。
- 筛选：用
np.isclose(df['col'], 0.1)或df['col'].between(0.0999999999, 0.1000000001) - 单元测试断言：用
pandas.testing.assert_series_equal(..., check_exact=False, atol=1e-10) - 归类需求（如把
0.123映射为 “0.1”）：优先用np.round(df['col'], decimals=1)，它比 Pandas 的round()更稳定 - 转整数倍（如元→分）：写成
(df['price'] * 100).round().astype(np.int64)，避免链式 float 操作
导出 CSV 时数值变样？关键是 float_format 不等于精度修复
导出后看到 “123.456 变成 123.45600000000001”，说明底层仍是 float，只是输出没截断。
立即学习“Python免费学习笔记（深入）”；
-
to_csv(..., float_format='%.2f')只控制字符串格式，不改变数值本身 - 若需真正保留精度导出，先转
Decimal列，再用astype(str)转字符串导出 - 或者导出前统一乘倍数转整型（如 cents），用
astype(int)后导出，彻底避开浮点
真实精度问题从来不在“怎么显示”，而在于“怎么存”和“怎么算”。字符串读入 + Decimal 计算是最稳妥的金融路径；而大多数分析场景，接受合理容差并用 np.isclose 替代 ==，才是兼顾性能与正确的日常解法。
