C 語言浮點數深度解析：定點 vs 浮點、IEEE 754 表示法與精度陷阱

什麼是浮點數？為什麼 0.1 + 0.2 != 0.3？本文從定點數與浮點數的本質差異切入，詳細解析 IEEE 754 標準下的儲存結構、指數偏移、尾數隱含位，並說明精度誤差產生的根本原因與應對策略。

定點數：固定小數點位置的整數偽裝

定點數約定小數點固定在第 N 位，例如第 3 位：

123.456 → 儲存為整數 123456，運算時除以 1000
0.00123456 → 只能表示為 0.001（截斷誤差）

優點：運算速度快（整數運算）、無精度誤差（在範圍內）。
缺點：動態範圍極小，無法同時表示極大與極小數值。

浮點數：科學記號法的二進制實現

浮點數採用「科學記號法」：

值 = (-1)^符號 × 1.尾數 × 2^(指數-偏移量)

以 32 位元 float 為例（IEEE 754 Single Precision）：

實際編碼範例

• -0.0012345 → 科學記號：-1.2345 × 10^-3 → 二進制近似編碼
• 1234500000 → 科學記號：1.2345 × 10^9 → 指數大、尾數相同

關鍵權衡：指數位越多 → 範圍越大；尾數位越多 → 精度越高。雙精度 double 為 1+11+52 位元，大幅擴展兩者。

為什麼會有精度誤差？

許多十進制小數（如 0.1、0.2）在二進制下是無限循環小數：

0.1₁₀ = 0.0001100110011...₂ (無限循環)
0.2₁₀ = 0.001100110011...₂ (無限循環)

尾數只有 23/52 位，必須捨入，導致 0.1 + 0.2 = 0.30000000000000004。

工程應對策略

1. 金融/貨幣計算：使用整數分/厘單位，或 BigDecimal / 定點數庫。
2. 比較浮點數：Math.abs(a - b) < EPSILON，而非 a == b。
3. 輸出格式化：printf("%.2f", val) 避免顯示多餘尾數。
4. 關鍵路徑用 double：除非記憶體/頻寬極其受限，預設用 double（52 位尾數）降低累積誤差。

總結

浮點數是「用有限位元逼近無限實數」的工程妥協。理解其儲存結構與誤差來源，是寫出健壯數值程式的前提。下次看到 0.1 + 0.2 != 0.3，請告訴自己：這不是 Bug，是 IEEE 754 規範下的必然結果。