浮点数笔记

2018-01-17  本文已影响67人  勿忘巛心安

关于浮点数问题相信大家早就耳濡目染了,但是为什么会出现这总情况呢?今天我们就来探究一下这个问题。


image.png

基础复习

在探究这个问题之前,我们先复习一下计算机基础的知识

怎么将小数十进制转化为二进制

计算方法:乘2取整的逆序(value*2 取整数,然后将小数继续 * 2 ,直到结果为1.0,然后把整数逆序过来)
float.map((item)=> parseInt(item * 2)).revese()

小于1的浮点数

举个例子:0.125
0.75 * 2 = 1.5 => 1
0.5 * 2 = 1.0 => 1
结果就是0.11

大于1的浮点数

大于1的浮点数需要两步

合起来 5.125 转化为二进制为 101.001。下面已图为证,在在线工具做的计算。

image.png

浮点数在计算机中的存储方式

首先我们应该知道一般浮点数分为单精度和双精度,比如在Java里面单精度用float来表示数据类型,而double来表示双精度,可是何为单精度何为双精度,单精度精度到多少,双精度又精度到多少呢?当我们清楚了浮点数在计算机中怎么存储的就明白了。

我们常说电脑的32位,64位跟这个就是有关系的。32位就是32个bit,8个bit等于一个byte(字节),那么32bit就是4个字节,也就是说用4个字节来存储一个数,这就是单精度。而双精度就是用64位,8个字节来存储数,这就是双精度。

那么精度是多少呢?

对于这个问题我们要知道计算机的二进制表示是遵循IEEE浮点数表示法。这种结构是一种科学计数法,用符号、指数和尾数来表示,底数定为2——即把一个浮点数表示为尾数乘以2的指数次方再添上符号。
下面是具体的规格:

占位 符号位 阶码 尾数 长度
float 1 8 23 32
double 1 11 52 64

在这里我们可以看到三个名词:符号位、阶码、尾数

单精度存储方式
双精度存储方式

看到这里我相信应该已经有点感觉了,我再举个例子,我相信应该就能明白了。

还是拿0.75来举例吧,单精度简单一下,以32为计算,64位同理。0.75的二进制是0.11,转换为IEEE浮点数表示法为:1.1 * 2^-1。
我们还需要知道一点,阶码的值 = 阶码基数 + 指数 = 127 + (-1) = 126 ,拿到刚才那个网站计算一下,126 = 01111110


image.png

而1.1由于二进制整数部分都是1,所以去掉1留下0.1作为尾数部分(因为都是1点多的形式,所以这个1就没必要存了),所以尾数部分就是 1000 0000 0000 0000 0000 000
加上符号位0.75在32位的表示为:0011 1111 0100 0000 0000 0000 0000 0000(粗体为指数部分,斜体为尾数部分)

计算机怎么计算加法

计算机怎么计算乘法

参考

为什么0.1 + 0.2不等于0.3?
浮点数在计算机中存储方式

上一篇下一篇

猜你喜欢

热点阅读