浮點數運算看似與數學課本上的實數運算無異，但由於電腦內部使用二進制和有限位數來儲存數字（遵循 IEEE 754 標準），在實際程式設計中會遇到許多意想不到的「陷阱」。
這些問題主要可以歸納為三大類：精度誤差、比較失效以及特殊值異常。以下我為你詳細拆解這些問題及其背後的原理。1. 精度誤差：為什麼 0.1 + 0.2 ≠ 0.3？
這是最經典也最讓人頭痛的浮點數問題。
- 現象：在大多數程式語言（如 Python, JavaScript, C++）中，計算
0.1 + 0.2得到的結果不是0.3，而是0.30000000000000004。 - 原因：二進制無法精確表示某些十進制小數。
- 就像十進制無法精確表示 1/3（只能寫成 0.333...），二進制也無法精確表示十進制的 0.1。0.1 在二進制中是一個無限循環小數（0.0001100110011...）。
- 由於記憶體有限（雙精度浮點數尾數僅 52 位），電腦必須將這個無限小數「截斷」或「捨入」，從而產生了微小的捨入誤差。
- 誤差累積：單次運算的誤差很小，但在循環累加（例如累加 10000 次 0.0001）或迭代計算中，這些微小誤差會不斷疊加，最終導致結果嚴重偏離理論值。
2. 比較失效：直接比較浮點數是危險的
由於上述的精度誤差，直接使用等於號（==）來判斷兩個浮點數是否相等，往往會導致邏輯錯誤。
- 現象：程式碼
if (0.1 + 0.2 == 0.3)的判斷結果通常是 False。 - 原因：左邊是經過運算後的近似值（
0.3000...04），右邊是字面量0.3的近似值，兩者在二進制底層並不完全相同。 - 正確做法：通常會定義一個極小的閾值（稱為 Epsilon，如
1e-9），判斷兩數之差的絕對值是否小於這個閾值。
3. 數量級差異導致的「吞噬」現象
當兩個數值量級相差懸殊時進行加減運算，較小的數可能會被「吃掉」。
- 現象：計算
1e16 + 1（即 10,000,000,000,000,000 + 1），結果仍然是1e16，那個1憑空消失了。 - 原因：對階時的精度丟失。
- 浮點數加減法需要先將指數對齊（讓小數點位置一致）。為了將小數的指數對齊到大數，小數的尾數必須向右移位。
- 當差距過大時，小數的有效數位會被移出儲存範圍，最終被捨棄，導致「大數吞小數」。
4. 特殊值與運算異常（Inf 與 NaN）
當運算結果超出浮點數能表示的範圍，或進行無意義的數學運算時，會產生特殊值。
- 溢出（Overflow）與無窮大（Inf）：
- 當計算結果超過浮點數能表示的最大值（例如 float 約為 3.4e38），結果會變成 Inf（無窮大）。例如 1.0e30 * 1.0e30 會得到 Inf。
- 下溢（Underflow）：
- 當結果過於接近 0，小於最小正浮點數時，會被視為 0.0。
- 非數字（NaN, Not a Number）：
- 進行無意義的運算會產生 NaN，例如 0.0 / 0.0、∞ - ∞、√(-1) 或 sin(Inf)。
- 傳染性：NaN 具有傳染性，任何涉及 NaN 的運算（如 5 + NaN），結果都會變成 NaN，這在科學計算中常導致整個數據集失效。
- 除以零：
- 雖然整數除以零通常會導致程式崩潰（Exception），但在浮點數運算中，1.0 / 0.0 通常會返回 Inf 而不是直接崩潰，這有時會掩蓋程式邏輯錯誤。
📊 問題總結與對策表
理解這些問題能幫助你在編寫涉及數學運算的程式時，避開這些隱形的「地雷」，寫出更健壯的代碼。
