Python 中 int、float、Decimal 有什么区别？

简化版

int 表示整数，Python 里的整数支持任意精度；float 是双精度浮点数，适合科学计算但存在二进制精度误差；Decimal 是十进制小数，适合金额、财务等需要可控精度的场景。

详细版

例子：

print(0.1 + 0.2)  # 0.30000000000000004

这不是 Python 算错了，而是二进制浮点数无法精确表示很多十进制小数。

金额场景更推荐：

from decimal import Decimal

price = Decimal("0.1")
tax = Decimal("0.2")
print(price + tax)  # 0.3

区别：

类型	特点	适合场景
int	任意精度整数	计数、ID、位运算、精确整数
float	二进制浮点数，速度快但有误差	科学计算、近似计算
Decimal	十进制精确计算，可控制舍入	金额、财务、精度敏感

注意：创建 Decimal 时尽量从字符串创建，不要从 float 创建：

Decimal("0.1")   # 推荐
Decimal(0.1)     # 会带入 float 误差

完整版教学

一、先按“精确性”和“表示方式”分

int、float、Decimal 的区别不是“谁高级”，而是解决不同问题。int 表示精确整数，Python 会自动扩展位数；float 表示二进制浮点近似值，速度快、生态广，但不能精确表示很多十进制小数；Decimal 表示十进制小数，能控制精度和舍入，更适合金额和财务规则。

类型	表示方式	精确性	典型场景
int	任意精度整数	整数精确	计数、ID、位运算
float	IEEE 754 双精度二进制浮点	近似	科学计算、机器学习、指标
Decimal	十进制小数	可控十进制精度	金额、税率、财务结算

面试时不要简单说“float 不精确，Decimal 精确”就结束。更准确是：float 对二进制可表示的数可以精确，对很多十进制小数只能近似；Decimal 能按十进制语义表示和舍入，但仍受上下文精度和业务量化规则约束。

二、Python int 为什么说是任意精度

在很多语言里，整数有固定范围，例如 32 位或 64 位。Python 的 int 会根据数值大小自动扩展精度，只受可用内存限制。

n = 10 ** 100
print(n)

这对开发很友好，不容易整数溢出。但代价是超大整数运算比固定机器整数更重。

常见用途：

• 计数；
• 下标；
• ID；
• 时间戳；
• 位运算；
• 精确整数计算。

如果用 64 位有符号整数，最大值约是 9.22e18；而 Python 的 10 ** 100 远远超过这个范围仍能正确表示。代价是大整数越大，占用的内存越多，运算也越慢。比如处理密码学大数、超大阶乘时，Python 写起来简单，但不代表没有性能成本。

三、float 的误差从哪里来

float 通常使用 IEEE 754 双精度二进制浮点数。问题在于，很多十进制小数无法用有限二进制精确表示。

就像十进制无法精确表示 1/3：

0.333333...

二进制也无法精确表示很多十进制小数，例如 0.1。

所以：

0.1 + 0.2 == 0.3

结果是：

False

比较 float 时应该使用容差：

import math

math.isclose(0.1 + 0.2, 0.3)

可以用公式理解浮点比较：

不要直接判断 a == b
应该判断 abs(a - b) <= 可接受误差

math.isclose 默认会结合相对误差和绝对误差，比手写简单容差更稳。面试里重点不是背 IEEE 754 的全部细节，而是能说出二进制表示导致十进制小数近似、比较要用容差、金额不要用 float 做核心计算。

易错点：0.1 + 0.2 的显示结果不是 Python 算错，而是二进制浮点近似值转换回十进制展示时暴露了误差。

四、Decimal 为什么适合金额

Decimal 按十进制语义处理小数，并且可以配置精度和舍入规则。

from decimal import Decimal, getcontext

getcontext().prec = 10
amount = Decimal("19.99")
count = Decimal("3")
print(amount * count)

金额计算关心的是十进制下的精确表达和舍入规则，所以不应该用 float 承担核心计算。

尤其不要这样：

Decimal(0.1)

因为 0.1 在传给 Decimal 前已经是带误差的 float。

正确创建方式通常是字符串或整数：

from decimal import Decimal, ROUND_HALF_UP

amount = Decimal("19.995")
print(amount.quantize(Decimal("0.01"), rounding=ROUND_HALF_UP))  # 20.00

quantize 很重要，因为财务金额不仅关心“算得精确”，还关心保留几位小数和如何舍入。不同业务可能要求四舍五入、银行家舍入、向上取整等规则，Decimal 给你的是可控能力，不是自动替你决定业务规则。

五、什么时候可以放心用 float

float 并不是坏东西，它适合大量近似数值计算：

• 科学计算；
• 机器学习；
• 图形计算；
• 统计估算；
• 对微小误差不敏感的指标。

这些场景通常更关心性能和数值方法，而不是每一位十进制小数完全符合财务规则。

机器学习和科学计算大量使用 float，是因为它速度快、硬件支持好、内存占用可控。比如 100 万个浮点特征用双精度大约 8MB 原始数值空间；如果每个都用 Decimal，对象开销和运算成本会高很多。选择类型要看误差是否可接受，而不是一看到小数就用 Decimal。

六、类型转换和混用边界

不要随意混用 float 和 Decimal。Decimal("0.1") 表示精确十进制 0.1；Decimal(0.1) 会把 float 已经存在的二进制误差带进来。Python 也不允许 Decimal 和 float 直接做某些算术混合，这是为了逼你明确语义。

from decimal import Decimal

print(Decimal("0.1") + Decimal("0.2"))  # 0.3
print(Decimal(0.1))  # 0.100000000000000005551...

整数和 Decimal 混用通常更安全，因为整数本身精确。但只要进入 float，十进制精确语义就可能丢失。涉及金额的接口入参最好用字符串、整数分单位（如分）或 Decimal，而不是 float。

七、常见误区与追问

• 误区：Python 的 int 会像 Java int 一样固定 32 位溢出。 Python int 会自动扩展精度，不固定 32 位，但超大整数有内存和性能成本。
• 误区：float 是错误类型，不能用。 float 适合近似数值计算，问题是不要把它用于必须十进制精确的金额结算。
• 误区：Decimal(0.1) 就能消除 0.1 的误差。 传入 Decimal 前 0.1 已经是 float 近似值，应该用 Decimal("0.1")。
• 追问：为什么 0.1 + 0.2 != 0.3？ 很多十进制小数无法用有限二进制浮点精确表示，计算结果只是近似。
• 追问：float 比较应该怎么做？ 用 math.isclose 或业务容差，而不是直接 == 比较计算结果。
• 追问：金额为什么还要考虑舍入规则？ Decimal 能精确表示十进制数，但保留几位、如何进位是业务规则，需要 quantize 等方式明确。

八、加强记忆

把这题记成“三种数字三种承诺”：int 承诺整数精确且自动扩展，float 承诺高效近似和硬件友好，Decimal 承诺十进制语义和可控舍入。计数、ID、位运算用 int；科学计算、机器学习、指标估算用 float；金额、税率、财务结算用 Decimal 或整数分单位。回答时一定带上 0.1 + 0.2、math.isclose、Decimal("0.1") 这三个关键点。