Python浮点数四舍五入陷阱：np.round的偶数舍入规则与解决方案

问题背景与排查过程

本文基于Python数据分析常用库pandas和numpy的一次实际排查经历，深入探讨了Python语言在处理浮点数精度时容易出现的舍入偏差问题，并给出了有效的解决策略。在使用Python进行数据运算时，即使是0.1级别的微小误差也可能对最终结果产生显著影响，因此建议相关开发者仔细阅读以下内容。

问题背景

工作日清晨，领导下发了一批测试环境生成的数据文件，指出这些数据与实际情况存在出入，要求尽快排查原因并修复。

排查过程

首先对数据进行对比分析，发现并非所有数据均出现异常，仅约10%的数据存在偏差。这表明问题并非源于整体逻辑错误，而是个别特殊情况处理不当所致。通过梳理各个运算模块并进行断点调试，最终定位到数据偏差产生的具体模块。经单独测试该单元模块确认，问题出在两个数相除结果为0.5（浮点数）的场景。预期中np.round(0.5)应返回1，但实际运算结果为0，为此进行了如下验证试验。

# 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 

通过对比测试，发现涉及.5结尾的数值确实表现出与预期不符的行为，接下来需要探究其根本原因。

np.round偶数舍入机制解析

原因分析

经确认，问题源于对浮点数（特别是.5结尾值）舍入规则的理解偏差。查阅官方文档可知，NumPy对此有明确说明。

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

• 简而言之，对于带有.5这种恰好处于中间位置的数值，函数会返回相邻的偶数值。
• 通俗解释：若一个数字包含浮点数部分（.5），且其整数部分为偶数，则结果保持为该偶数；若整数部分为奇数，则结果为该奇数加1后的偶数。
• 规律总结：若整数部分能被2整除，则返回原整数部分；若不能被2整除，则返回整数部分加1。

数据误差修正方案

解决方案

首先在不进行任何修改的情况下，观察数据误差的具体表现。

# 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"]) 

原始运行结果如下图所示。

未做特殊处理时，期望值与偏差值不一致的情况确实出现。

我的解决思路

• 根据业务对精度的要求，确定保留小数点的最后一位，通过判断该位数字是否为5，来决定是否执行向上取整操作。
• 举例说明：在本案例中，仅需保留整数部分数据，因此只需判断小数点后第一位是否为数字5即可。

具体代码实现如下。

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)

处理后的结果如图所示。

以上即为Python浮点数四舍五入需要注意的关键点，更多关于Python四舍五入的资料请参阅本站其他相关文章。