如何使用Python进行正确的四舍五入？这个坑有点大

本文主要分享基于python的数据分析三方库pandas，numpy的一次爬坑经历，发现并分析了python语言对于浮点数精度处理不准确的问题，并在最后给出合理的解决方案。如果你也在用python处理数据，建议看一下，毕竟0.1的误差都可能造成比较大的影响。

专业公司可以根据自己的需求进行定制，网站设计制作、成都网站设计构思过程中功能建设理应排到主要部位公司网站设计制作、成都网站设计的运用实际效果公司网站制作网站建立与制做的实际意义

问题出现

早上到了公司，领导发了几个文件过来，说这两天测试环境跑出来的数据，与实际情况有所出入，看看哪出的问题，尽快解决···

开始排查

• 先对比数据，发现并不是所有的数据都出现问题，只有10%左右的数据有这个问题，说明应该不是逻辑上的问题，初步判断可能为个别情况需要特殊处理，考虑不周导致
• 检查梳理各个运算模块，用debug断点调试一波，确定了数据出现偏差的模块
• 通过单独测试这个单元模块最终确定，涉及到两数相除结果为0.5(浮点数)的地方有问题
• 预期结果：np.round(0.5)=1，实际运算结果：np.round(0.5)=0，于是我做了如下的试验

 
 
 

  
  
  
# 基于python3.7版本 
  
  
  
>>> import numpy as np 
  
  
  
 
  
  
  
# 先看看 0 < x < 1 这个范围的结果，发现有问题 
  
  
  
>>> np.round(0.50) 
  
  
  
0.0 
  
  
  
>>> np.round(0.51) 
  
  
  
1.0 
  
  
  
>>> np.round(0.49) 
  
  
  
0.0 
  
  
  
 
  
  
  
# 我担心是不是只有小数点为.5的都会呈现这种问题,所以测试了 x > 1的结果，发现还是有问题 
  
  
  
>>> np.round(1.5) 
  
  
  
2.0 
  
  
  
>>> np.round(2.5) 
  
  
  
2.0 
  
  
  
>>> np.round(3.5) 
  
  
  
4.0 
  
  
  
>>> np.round(4.5) 
  
  
  
4.0 
 
 
 

通过对比，发现确实涉及到.5的值会有些和预想的不同，看看啥原因

分析问题

确实发现了关于浮点数(.5出现了理解上的偏差)，看看官方文档怎么解释这个现象

 
 
 

  
  
  
numpy.around(a, decimals=0, out=None)[source] 
  
  
  
Evenly round to the given number of decimals. 
  
  
  
 
  
  
  
# 对于恰好介于四舍五入的十进制值之间的中间值(.5)，NumPy会四舍五入为最接近的偶数值。  
  
  
  
# 因此1.5和2.5四舍五入为2.0，-0.5和0.5四舍五入为0.0，依此类推。 
  
  
  
For values exactly halfway between rounded decimal values,  
  
  
  
NumPy rounds to the nearest even value.  
  
  
  
Thus 1.5 and 2.5 round to 2.0, -0.5 and 0.5 round to 0.0, etc. 
  
  
  
 
  
  
  
# np.around使用快速但有时不精确的算法来舍入浮点数据类型。 
  
  
  
# 对于正小数，它等效于np.true_divide（np.rint（a * 10 **小数），10 **小数）， 
  
  
  
# 由于IEEE浮点标准[1]和 十次方缩放时引入的错误 
  
  
  
np.around uses a fast but sometimes inexact algorithm to round floating-point datatypes.  
  
  
  
For positive decimals it is equivalent to np.true_divide(np.rint(a * 10**decimals), 10**decimals),  
  
  
  
which has error due to the inexact representation of decimal fractions in the IEEE floating point standard [1]  
  
  
  
and errors introduced when scaling by powers of ten 
 
 
 

• 其实也就是说：对于带有.5这种刚好介于中间的值，返回的是相邻的偶数值
• 白话解释：如果一个数字带有浮点数(.5)，整数部分为偶数，则返回这个偶数;整数部分奇数，则返回这个奇数+1的偶数
• 规律解释：如果整数部分能够整除2，则返回整数部分;如果整数部分不能整除2，则返回整数部分 +1

解决问题

先不做任何改动，看下数据误差的情形

 
 
 

  
  
  
# 我们为了先看下现象,构造如下案例 
  
  
  
import pandas as pd 
  
  
  
import numpy as np 
  
  
  
 
  
  
  
df = pd.DataFrame({"num1": [1, 1, 1.5, 5, 7.5], "num2": [2, 3, 1, 6, 3]}) 
  
  
  
 
  
  
  
df["真实值"] = df["num1"] / df["num2"] 
  
  
  
# 看下round函数过后的结果 
  
  
  
df["偏差值"] = np.round(df["num1"] / df["num2"]) 
 
 
 

原始结果图片如下

不做处理，期望值和偏差值不等的情况出现

我的解决方案

• 我根据我的精度要求，构建精度范围所需要保留的小数点的最后一位，通过这个数字是否为5，判断是否需要向上取整
• 举例来说，本案例中我只需要保留整数部分的数据，那么我只需要确定小数点后第一位是否是数字5就可以了

上代码

 
 
 

  
  
  
import pandas as pd 
  
  
  
import numpy as np 
  
  
  
import math 
  
  
  
 
  
  
  
df = pd.DataFrame({"除数": [1, 1, 1.5, 5, 7.5], "被除数": [2, 3, 1, 6, 3]}) 
  
  
  
 
  
  
  
# 记录真实值 
  
  
  
df["真实值"] = df["除数"] / df["被除数"] 
  
  
  
 
  
  
  
# 记录整数部分 
  
  
  
df["辅助整数列"] = df["真实值"].apply(lambda x: math.modf(x)[1]) 
  
  
  
 
  
  
  
# 记录小数部分,因为我的最后结果精度为只保留整数部分,所以我只需要保留一个小数点位进行判断是否需要进位操作 
  
  
  
df["辅助小数列"] = df["真实值"].apply(lambda x: str(math.modf(x)[0]).split(".")[1][0]) 
  
  
  
 
  
  
  
# 小数点后的第一位是为5，则向上取整，不是5则调用原np.round就行了 
  
  
  
df["期望值修正"] = df.apply(lambda x: x.辅助整数列 + 1 if (x.辅助小数列 == "5") else np.round(x.真实值), axis=1) 
 
 
 

结果如下所示

期望修正值已经达成

网站标题：如何使用Python进行正确的四舍五入？这个坑有点大
转载源于：http://www.shufengxianlan.com/qtweb/news4/137704.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联