Golang 笔记之深入浮点数

作者郑建勋。 51cto go语言与区块链高级讲师， kvb集团高级技术专家。github theWayToGolang作者，多年教育与金融行业从业经验。拥有丰富的高并发、分布式、微服务集群的实战经验。

引言

下面的一段简单程序 0.3 + 0.6 结果是什么？

var f1 float64 = 0.3

var f2 float64 = 0.6

fmt.Println(f1 + f2)

有人会天真的认为是0.9，但实际输出却是0.8999999999999999（go 1.13.5）

IEEE-754 如何存储浮点数

IEEE-754规范使用特殊的以2为基数的科学表示法表示浮点数。

32位的单精度浮点数 与 64位的双精度浮点数的差异

符号位：1 为 负数， 0 为正数。

指数位：存储 指数加上偏移量，偏移量是为了表达负数而设计的。

小数位：存储系数的小数位的准确或者最接近的值。

以 数字 0.085 为例。

小位数的表达方式

以0.36 为例:
010 1110 0001 0100 0111 1011 = 0.36 (第一位数字代表1/2,第二位数字是1/4…，0.36 是所有位相加)
分解后的计算步骤为:

go语言显示浮点数 - 验证之前的理论

接下来用一个案例有助于我们理解并验证IEEE-754 浮点数的表示方式。

math.Float32bits 可以为我们打印出32位数据的二进制表示。(注：math.Float64bits可以打印64位数据的二进制)

下面的go代码将输出0.085的浮点数二进制表达，并且为了验证之前理论的正确性，根据二进制表示反向推导出其所表示的原始十进制0.085

var number float32 = 0.085

// 打印出32位数据的二进制表示。

bits := math.Float32bits(number)

binary := fmt.Sprintf("%.32b", bits)

// 打印浮点数的符号位、指数位 、小数位

fmt.Printf("Bit Pattern: %s | %s %s | %s %s %s %s %s %s\n\n",

binary[0:1],

binary[1:5], binary[5:9],

binary[9:12], binary[12:16], binary[16:20],

binary[20:24], binary[24:28], binary[28:32])

// 偏移量

bias := 127

// 获取符号位

sign := bits & (1 << 31)

exponentRaw := int(bits >> 23)

// 获取指数位

exponent := exponentRaw - bias

var mantissa float64

// 小数位求和

for index, bit := range binary[9:32] {

if bit == 49 {

position := index + 1

bitValue := math.Pow(2, float64(position))

fractional := 1 / bitValue

mantissa = mantissa + fractional

}

}

// 反向求出最终10进制表示

value := (1 + mantissa) * math.Pow(2, float64(exponent))

fmt.Printf("Sign: %d Exponent: %d (%d) Mantissa: %f Value: %f\n\n",

sign,

exponentRaw,

exponent,

mantissa,

value)

输出：表明我们对于浮点数的理解正确。

Starting Number: 0.085000

Bit Pattern: 0 | 0111 1011 | 010 1110 0001 0100 0111 1011

Sign: 0 Exponent: 123 (-4) Mantissa: 0.360000 Value: 0.085000

经典问题：如何判断一个浮点数其实存储的是整数

下面是一个有趣的问题，如何判断一个浮点数其实存储的是整数？

思考10秒钟…

下面是一段判断浮点数是否为整数的go代码实现，我们接下来逐行分析函数。

它可以加深对于浮点数的理解

func IsInt(bits uint32, bias int) {

exponent := int(bits >> 23) - bias - 23

coefficient := (bits & ((1 << 23) - 1)) | (1 << 23)

intTest := (coefficient & (1 << uint32(-exponent) - 1))

fmt.Printf("\nExponent: %d Coefficient: %d IntTest: %d\n",

exponent,

coefficient,

intTest)

if exponent < -23 {

fmt.Printf("NOT INTEGER\n")

return

}

if exponent < 0 && intTest != 0 {

fmt.Printf("NOT INTEGER\n")

return

}

fmt.Printf("INTEGER\n")

}

1、要保证是整数，一个重要的条件是必须要指数位大于127，如果指数位为127，代表指数为0. 指数位大于127，代表指数大于0， 反之小于0.

下面我们以数字234523为例子：

Starting Number: 234523.000000

Bit Pattern: 0 | 1001 0000 | 110 0101 0000 0110 1100 0000

Sign: 0 Exponent: 144 (17) Mantissa: 0.789268 Value: 234523.000000

Exponent: -6 Coefficient: 15009472 IntTest: 0

INTEGER

第一步,计算指数。由于 多减去了23，所以在第一个判断中 判断条件为 exponent < -23

exponent := int(bits >> 23) - bias - 23

第二步，

(bits & ((1 << 23) - 1)) 计算小数位。

coefficient := (bits & ((1 << 23) - 1)) | (1 << 23)

Bits: 01001000011001010000011011000000

(1 << 23) - 1: 00000000011111111111111111111111

bits & ((1 << 23) - 1): 00000000011001010000011011000000

| (1 << 23) 代表 将1加在前方。

1 + 小数 = 系数。

bits & ((1 << 23) - 1): 00000000011001010000011011000000

(1 << 23): 00000000100000000000000000000000

coefficient: 00000000111001010000011011000000

第三步，计算intTest 只有当指数的倍数可以弥补最小的小数位的时候，才是一个整数。

如下，指数是17位，其不能够弥补最后6位的小数。即不能弥补1/2^18 的小数。

由于2^18位之后为0.所以是整数。

exponent: (144 - 127 - 23) = -6

1 << uint32(-exponent): 000000

(1 << uint32(-exponent)) - 1: 111111

coefficient: 00000000111001010000011011000000

1 << uint32(-exponent)) - 1: 00000000000000000000000000111111

intTest: 00000000000000000000000000000000

golang decimal 包详解

要理解decimal包，首先需要知道两个重要的概念，Normal number、denormal (or subnormal) number 以及精度。

1.概念：Normal number and denormal (or subnormal) number

wiki的解释是：

In computing, a normal number is a non-zero number in a floating-point representation which is within the balanced range supported by a given floating-point format: it is a floating point number that can be represented without leading zeros in its significand.

什么意思呢？在IEEE-754中指数位有一个偏移量，偏移量是为了表达负数而设计的。比如单精度中的0.085，实际的指数是 -3， 存储到指数位是123。

所以表达的负数就是有上限的。这个上限就是2^-126。如果比这个负数还要小，例如2^-127,这个时候应该表达为0.1 * 2 ^ -126. 这时系数变为了不是1为前导的数，这个数就叫做denormal (or subnormal) number。

正常的系数是以1为前导的数就叫做Normal number。

2.概念：精度

精度是一个非常复杂的概念，在这里笔者讨论的是2进制浮点数的10进制精度。

精度为d表示的是在一个范围内，如果我们将d位10进制（按照科学计数法表达）转换为二进制。再将二进制转换为d位10进制。数据不损失意味着在此范围内是有d精度的。

精度的原因在于，数据在进制之间相互转换时，是不能够精准匹配的，而是匹配到一个最近的数。如图所示：

在这里暂时不深入探讨，而是给出结论：（注：精度是动态变化的，不同的范围可能有不同的精度。这是由于 2的幂 与 10的幂之间的交错是不同的。）

float32的精度为6-8位，

float64的精度为15-17位

目前使用比较多的精准操作浮点数的decimal包是shopspring/decimal。链接:https://github.com/shopspring/decimal

decimal包使用math/big包存储大整数并进行大整数的计算。

比如对于字符串 “123.45” 我们可以将其转换为12345这个大整数，以及-2代表指数。参考decimal结构体：

type Decimal struct {

value *big.Int

exp int32

}

在本文中，笔者不会探讨math/big是如何进行大整数运算的，而是探讨decimal包一个非常重要的函数：

NewFromFloat(value float64) Decimal

其主要调用了下面的函数：

func newFromFloat(val float64, bits uint64, flt *floatInfo) Decimal {

if math.IsNaN(val) || math.IsInf(val, 0) {

panic(fmt.Sprintf("Cannot create a Decimal from %v", val))

}

exp := int(bits>>flt.mantbits) & (1<<flt.expbits - 1)

mant := bits & (uint64(1)<<flt.mantbits - 1)

switch exp {

case 0:

exp++

default:

mant |= uint64(1) << flt.mantbits

}

exp += flt.bias

var d decimal

d.Assign(mant)

d.Shift(exp - int(flt.mantbits))

d.neg = bits>>(flt.expbits+flt.mantbits) != 0

roundShortest(&d, mant, exp, flt)

if d.nd < 19 {

tmp := int64(0)

m := int64(1)

for i := d.nd - 1; i >= 0; i-- {

tmp += m * int64(d.d[i]-'0')

m *= 10

}

if d.neg {

tmp *= -1

}

return Decimal{value: big.NewInt(tmp), exp: int32(d.dp) - int32(d.nd)}

}

dValue := new(big.Int)

dValue, ok := dValue.SetString(string(d.d[:d.nd]), 10)

if ok {

return Decimal{value: dValue, exp: int32(d.dp) - int32(d.nd)}

}

return NewFromFloatWithExponent(val, int32(d.dp)-int32(d.nd))

}

此函数会将浮点数转换为Decimal结构。

读者想象一下这个问题：如果存储到浮点数中的值（例如0.1）本身就是一个近似值，为什么decimal包能够解决计算的准确性？

原因在于，deciimal包可以精准的将一个浮点数转换为10进制。这就是NewFromFloat为我们做的事情。

下面我将对此函数做逐行分析。

//2-4行判断浮点数有效性，不能为NAN或INF

if math.IsNaN(val) || math.IsInf(val, 0) {

panic(fmt.Sprintf("Cannot create a Decimal from %v", val))

}

第5行：剥离出IEEE浮点数的指数位

exp := int(bits>>flt.mantbits) & (1<<flt.expbits - 1)

第6行：剥离出浮点数的系数的小数位

mant := bits & (uint64(1)<<flt.mantbits - 1)

第7行：如果是指数位为0，代表浮点数是denormal (or subnormal) number；

默认情况下会在mant之前加上1，因为mant只是系数的小数，在前面加上1后，代表真正的小数位。

现在 mant = IEEE浮点数系数 * 2^53

第13行：加上偏移量，exp现在代表真正的指数。

第14行：引入了一个中间结构 decimal

type decimal struct {

d [800]byte

nd int

dp int

neg bool

trunc bool

}

第15行：调用d.Assign(mant) , 将mant作为10进制数，存起来。

10进制数的每一位都作为一个字符存储到 decimal的byte数组中

func (a *decimal) Assign(v uint64) {

var buf [24]byte

// Write reversed decimal in buf.

n := 0

for v > 0 {

v1 := v / 10

v -= 10 * v1

buf[n] = byte(v + '0')

n++

v = v1

}

// Reverse again to produce forward decimal in a.d.

a.nd = 0

for n--; n >= 0; n-- {

a.d[a.nd] = buf[n]

a.nd++

}

a.dp = a.nd

trim(a)

}

第16行：调用shift函数，这个函数非常难理解。

func (a *decimal) Shift(k int) {

switch {

case a.nd == 0:

case k > 0:

for k > maxShift {

leftShift(a, maxShift)

k -= maxShift

}

leftShift(a, uint(k))

case k < 0:

for k < -maxShift {

rightShift(a, maxShift)

k += maxShift

}

rightShift(a, uint(-k))

}

}

此函数的功能是为了获取此浮点数代表的10进制数据的整数位个数以及小数位个数，此函数的完整证明附后。（注1)

exp是真实的指数，其也是能够覆盖小数部分2进制位的个数。（参考前面如何判断浮点数是整数）

exp - int(flt.mantbits)代表不能被exp覆盖的2进制位的个数

如果exp - int(flt.mantbits) > 0 代表exp能够完全覆盖小数位 因此 浮点数是一个非常大的整数，这时会调用leftShift(a, uint(k))。否则将调用rightShift(a, uint(-k)), 常规rightShift会调用得更多。因此我们来看看rightShift函数的实现。

第5行：此for循环将计算浮点数10进制表示的小数部分的有效位为 r-1 。

n >> k 是一个重要的衡量指标，代表了小数部分与整数部分的分割。此函数的完整证明附后。（注1)

第21行：此时整数部分所占的有效位数为a.dp -=（r-1）

第24行：这两个循环做了2件事情：

1、计算10进制表示的有效位数

2、将10进制表示存入bytes数组中。例如对于浮点数64.125，现在byte数组存储的前5位就是64125

func rightShift(a *decimal, k uint) {

r := 0

w := 0

var n uint

for ; n>>k == 0; r++ {

if r >= a.nd {

if n == 0 {

a.nd = 0

return

}

for n>>k == 0 {

n = n * 10

r++

}

break

}

c := uint(a.d[r])

n = n*10 + c - '0'

}

// 整数部分的有效位数

a.dp -= r - 1

var mask uint = (1 << k) - 1

// 整数部分

for ; r < a.nd; r++ {

c := uint(a.d[r])

dig := n >> k

n &= mask

a.d[w] = byte(dig + '0')

w++

n = n*10 + c - '0'

}

// 小数部分

for n > 0 {

dig := n >> k

n &= mask

if w < len(a.d) {

a.d[w] = byte(dig + '0')

w++

} else if dig > 0 {

a.trunc = true

}

n = n * 10

}

// 有效位

a.nd = w

trim(a)

}

继续回到newFromFloat函数，第18行，调用了roundShortest函数，

此函数非常关键。其会将浮点数转换为离其最近的十进制数。

这是为什么decimal.NewFromFloat(0.1)能够精准表达0.1的原因。

参考上面的精度，此函数主要考察了2的幂与10的幂之间的交错关系。四舍五入到最接近的10进制值。

此函数实质实现的是Grisu3 算法,有想深入了解的可以去看看论文。笔者在这里提示几点：

1、2^exp <= d < 10^dp。

2、10进制数之间至少相聚10^(dp-nd)

3、2的幂之间的最小间距至少为2^(exp-mantbits)

4、什么时候d就是最接近2进制的10进制数？

如果10^(dp-nd) > 2^(exp-mantbits)，表明 当十进制下降一个最小位数时，匹配到的是更小的数字value - 2^(exp-mantbits)，所以d就是最接近浮点数的10进制数。

func roundShortest(d *decimal, mant uint64, exp int, flt *floatInfo) {

if mant == 0 {

d.nd = 0

return

}

// d 是否就是最接近的2进制数。

minexp := flt.bias + 1 // minimum possible exponent

if exp > minexp && 332*(d.dp-d.nd) >= 100*(exp-int(flt.mantbits)) {

// The number is already shortest.

return

}

// 计算最接近的大于d的10进制数

upper := new(decimal)

upper.Assign(mant*2 + 1)

upper.Shift(exp - int(flt.mantbits) - 1)

var mantlo uint64

var explo int

if mant > 1<<flt.mantbits || exp == minexp {

mantlo = mant - 1

explo = exp

} else {

mantlo = mant*2 - 1

explo = exp - 1

}

// 计算最接近的小于d的10进制数

lower := new(decimal)

lower.Assign(mantlo*2 + 1)

lower.Shift(explo - int(flt.mantbits) - 1)

inclusive := mant%2 == 0

//进行四舍五入

...

}

}

}

继续回到newFromFloat函数，第19行 如果精度小于19，是位于int64范围内的，可以使用快速路径，否则使用math/big包进行赋值操作，效率稍微要慢一些。
第36行，正常情况几乎不会发生。如果setstring在异常的情况下会调用NewFromFloatWithExponent 指定精度进行四舍五入截断。

注一：快速的获取一个浮点数代表的十进制

以典型的数字64.125 为例 ， 它可以被浮点数二进制精准表达为：

Bit Patterns: 0 | 10000000101 | 0000000010000000000000000000000000000000000000000000

Sign: 0 | Exponent: 1029 (6) | Mantissa: 0.001953

即 64.125 = 1.001953125 * 2^6

注意观察浮点数的小数位在第九位有1, 代表2^-9 即 0.001953125.

我们在浮点数的小数位前 附上数字1，10000000010000000000000000000000000000000000000000000 代表其为1 / 2^0 .

此时我们可以认为这个数代表的是1.001953125. 那么这样长的二进制数变为10进制又是多少呢:4512395720392704。

即 1.001953125 = 4512395720392704 * 2^(-52)

所以64.125 = 4512395720392704 * 2^(-52) * 2^6 = 4512395720392704 * 2^(-46)

在这里，有一种重要的等式。即 (2 ^ -46) 等价于向左移动了46位。并且移动后剩下的部分即为64,而舍弃的部分其实是小数部分0.125。

这个等式看似复杂其实很好证明，即第46位其实代表的是2^45。其除以2^46后是一个小数。依次类推…

因此对于数字 4512395720392704 ， 我们可以用4，45，451，4512 … 依次除以 2 ^ 46. 一直到找到数451239572039270 其除以2^46不为0。这个不为0的数一定为6。

接着我们保留后46位，其实是保留了小数位。

假设 4512395720392704 / 2^46 = (6 + num)

64.125 =(6 + num) * 10 + C = 60 + 10* num + C

当我们将通过位运算保留后46位，设为A, 则 A / 2^46 = num

所以 (A * 10 + C) / 2 ^46 =(num * 10 +C) = 4.125

此我们又可以把4提取出来。实在精彩。

10进制小数位的提取是一样的，留给读者自己探索。

总结

1、本文介绍了go语言使用的IEEE-754标准存储浮点数的具体存储方式。

2、本文通过实际代码片段和一个脑筋急转弯帮助读者理解浮点数的存储方式。

3、本文介绍了normal number 以及精度这两个重要概念。

4、本文详细介绍了shopspring/decimal的实现方式，即借助了big.int，以及进制的巧妙精准转换。

5、shopspring/decimal其实在精度的巧妙转换方面参考了go源码ftoa函数的实现。读者可以参考go源码

6、shopspring/decimal目前roundShortest函数有一个bug，笔者已经提交了pr，此bug已在go源码中得到了修复。

7、big.int计算存在效率问题，如果遇到特殊的快速大量计算的场景可能不太适合。

8、还有一些decimal的实现，例如tibd/decimal,代码实在不忍淬读。

9、浮点数计算，除了要解决进制的转换外，还需要解决重要的溢出问题，例如相乘常常要超过int64的范围，这就是为什么shopspring/decimal使用了big.int,而tibd/decimal将数据转换为了很多的word（int32），导致其计算非常复杂。

参考资料

1.Why 0.1 Does Not Exist In Floating-Point

2.Normal number

3.7-bits-are-not-enough-for-2-digit-accuracy

4.Decimal Precision of Binary Floating-Point Numbers

5.Introduction To Numeric Constants In Go