之前的那篇转载浮点数的存储转载内容比较粗糙。今天又花了点时间试了个具体的例子。部分内容摘自参考。

以32bit浮点数 0.123456789的存储为例，通过在线进制转换获得其16进制表示为

3DFCD6E9

对应的二进制为：

0011  1101  1111  1100  1101  0110  1110  1001

朴素二进制表示

0.123456789没有整数部分，所以直接看小数部分表示。

0.123456789 * 2 = 0.246913578 取整数部分0

0.246913578 * 2 = 0.493827156 取整数部分0

0.493827156 * 2 = 0.987654312 取整数部分0

0.987654312 * 2 = 1.975308624 取整数部分1，去掉整数部分

0.975308624 * 2 = 1.950617248 取1

0.950617248 * 2 = 1.901234496 取1

0.901234496 * 2 = 1.802468992 取1

...

最后将取的0,1按顺序排列得到:

0001 111 1001 10.....

所以最后0.123456789的二进制朴素表示形式是:

(0.0001 111 1001 10) ₂

科学计数法(规格化处理)

在计算机内，对非0值的浮点数，要求尾数域的最高有效位应为1。本身0.123456789已经满足科学计数法，但是其二进制表示形式仍有多余的前导0。二进制原码的规格化数的表现形式：(0正1负)

正数 0.1xxxxxx

负数 1.1xxxxxx

尾数的最高位始终为1，可以被忽略。

IEEE754 标准:

• 尾数用原码,且隐藏尾数最高位。

• 阶码使用“移码”，基固定为2

(0.0001 1111 1001 10...) ₂ 变为(1. 1111 1001 10...)₂ * 2 ^-(100)₂

第一个1向左移动了4位，并不是说将原数变为了负数，而是第一个1可以忽略，所以临时挪到小数点左边去了，最后在统计数值时，将这个1忽略不计。4的二进制为100，由于是向左移动，所以需要乘以 2^-4。

指数偏移值（exponent bias），是指浮点数表示法中的指数域的编码值为指数的实际值加上某个固定的值，IEEE 754标准规定该固定值为2^{e-1}-1，其中的e为存储指数的比特位的长度（float为8，double为11）。

以单精度浮点数为例，它的指数域是8个比特，固定偏移值是 2^{8-1}-1=128-1=127。单精度浮点数的指数部分实际取值是从-127到128(8位有符号二进制的取值范围)。例如指数实际值为17，在单精度浮点数中的指数域编码值为144，即127 + 17。

在当前例中，127 + (-4) = (0111 1111)₂ - (0000 0100)₂ = (0111 1011)₂

所以，最后阶码为(0111 1011)₂ ，尾数为(1111 1001 10...)₂ ，拼起来得到：

浮点数的表示精度

float的有效位为6~7位, double的有效位为15~16位 。

有效位数只和规格化浮点数的尾数部分有关，而尾数部分的位数是23位。

2^-23 和 2^-22 之间是存在间隔的，即0.0000001和0.0000002之间的小数我们是没有办法描述的，因此23位尾数最多只能描述到小数点后第7位；此外，我们通过四舍五入可以很容易发现0.0000003=0.0000004=2^-23 + 2^-22 这表明第7位有效数字只是部分准确。而第6位及之前的都是可以准确描述的，因此我们说float的有效位为6~7位。

浮点数分布

​ 通过上面的分析可以发现，尽管浮点数表示的范围很广，但由于精度损失的存在，加上幂次的放大作用，一个浮点数实际上是表示了周围的一个有理数区间。如果将浮点数绘制到一个数轴上，直观上看，靠近0的部分，浮点数出现较密集。越靠近无穷大，浮点数分布越稀疏，一个浮点值代表了周围一片数据。如下图所示。从这个意义上来说，浮点数不宜直接比较相等，它们是代表了一个数据范围。实际应用中，如果要使用浮点数计算，一定要考虑精度问题。在满足精度要求的前提下，计算结果才是有效的。

Reference

浮点数在计算机中是如何存储的？

浮点数表示

深入理解浮点数有效位