浮点数直接用 == 比较总出错，因二进制无法精确表示多数十进制小数（如0.1+0.2=0.30000000000000004），导致内存值不等；应改用 math.isclose() 或 abs(a-b)
浮点数直接用 == 比较为什么总出错
因为二进制无法精确表示大多数十进制小数，
0.1 + 0.2实际结果是0.30000000000000004，和0.3的内存表示不一致，所以==返回False。这不是 python 独有，所有遵循 IEEE 754 的语言都这样。常见错误现象：单元测试里
assert result == 0.3偶尔失败；科学计算中判断“是否收敛”卡在临界值。
- 永远别用
==判断两个浮点数是否“数学上相等”- 改用
math.isclose()（Python 3.5+），它默认用相对容差1e-09和绝对容差1e-09双重判断- 如果要兼容旧版本，手动写
abs(a - b)math.isclose() 的 rel_tol 和 abs_tol 怎么选
rel_tol控制相对误差比例，适合比较数量级接近的数；abs_tol是硬性阈值，对极小值（比如接近 0）必须设，否则rel_tol在分母趋近 0 时会失效。使用场景举例：物理仿真中判断速度是否“基本为零”，或机器学习里检查梯度是否收敛到
1e-8量级。
- 一般数值计算，设
rel_tol=1e-09足够（IEEE 754 double 精度约 15–17 位有效数字）- 涉及接近 0 的值，必须显式给
abs_tol，比如math.isclose(x, 0.0, abs_tol=1e-12)- 不要把
rel_tol设成0——那会退化成纯绝对误差判断，但失去对大数的鲁棒性numpy.allclose() 和 math.isclose() 的关键区别
numpy.allclose()是数组批量比较，底层逻辑类似math.isclose()，但默认容差更宽松：rtol=1e-05,atol=1e-08。直接混用容易漏掉精度问题。性能影响：对单个数，
math.isclose()更轻量；对数组，必须用numpy.allclose()，否则循环调用math.isclose()会慢一个数量级。
- 数组比较一律用
numpy.allclose()，别自己写np.array([math.isclose(a, b) for a, b in zip(arr1, arr2)]).all()- 若需和
math.isclose()行为一致，显式传参：numpy.allclose(a, b, rtol=1e-09, atol=1e-09)numpy.allclose()对nan默认返回False，如需 “NaN == NaN”，加参数equal_nan=True自定义容差函数要注意的边界情况
手写容差比较看似简单，但容易忽略负数、无穷、NaN 和零除。比如
abs(a - b) 在 <code>a或b是inf时会得到nan，导致判断失效。真实项目里，容差逻辑常被封装进工具函数，但很多人只测了普通正数。
- 必须单独处理
math.isinf()和math.isnan()：无穷大之间可比，但无穷和有限数不可比；NaN 一律视为不相等（除非明确要求）- 避免用
max(abs(a), abs(b))当分母——当两者都为 0 时没问题，但一正一负且绝对值相等时，max仍为正，逻辑无误；真正危险的是两者都为inf- 如果业务要求“误差不超过 0.01 元”，就用绝对容差
abs_tol=0.01，别强行套相对容差容差不是越小越好，也不是统一设成
1e-9就万事大吉。关键是根据数据量级、业务语义和误差来源决定该用相对、绝对，还是混合策略。最常被忽略的，是忘记给接近零的值配abs_tol。
