Python math.isclose 怎样同时控制相对误差和绝对误差

我在处理价格换算、比例统计这类数据时，最容易踩到的坑不是公式写错，而是把所有结果都当成“必须完全相等”。浮点数本身可能带有微小表示误差，直接使用 == 会把可接受的差异判成失败。

更稳妥的做法是用 math.isclose(a, b, rel_tol=..., abs_tol=...)。其中 rel_tol 面向数值的相对比例，abs_tol 面向接近零时的固定误差。官方说明可参考：https://docs.python.org/3/library/math.html#math.isclose。

实用结论：普通大数比较先设相对容差；结果可能接近零时必须给出绝对容差；如果业务要求金额或计量值精确到固定小数位，应先定义舍入规则，不能把 isclose 当成精确计算。

先看清：相对误差和绝对误差不是一回事

相对误差描述“差异占参考数值的比例”，适合比较数量级相近但绝对差值可能很大的数据。例如两个上百万的统计结果相差几元，比例可能仍然很小。绝对误差则直接看 |a-b|，适合零附近的结果，因为这时用比例计算会失去稳定的参照。

Python 文档给出的判断模型可以概括为：差值小于“相对阈值和绝对阈值中较大的那个”，即相对条件和绝对条件满足其一即可。下面这张静态结构图把输入、两个阈值和布尔结果放在同一张图中；它是说明图，不是运行截图。

用 math.isclose 写出双阈值比较

函数签名的核心参数很少，但默认值容易被忽略。rel_tol 默认是 1e-09，表示允许的相对差异比例；abs_tol 默认是 0.0，因此两个接近零但不相等的值，往往需要主动设置绝对容差。

import math

# 大数比较主要关注比例差异，避免把浮点表示误差当成业务错误
expected_total = 1000.0
actual_total = 1000.0000004
large_ok = math.isclose(expected_total, actual_total, rel_tol=1e-9, abs_tol=0.0)

# 零附近没有稳定的相对参照，因此补充固定的绝对误差上限
expected_delta = 0.0
actual_delta = 0.0000003
near_zero_ok = math.isclose(expected_delta, actual_delta, rel_tol=1e-9, abs_tol=1e-6)

print(large_ok, near_zero_ok)

这段代码只展示参数关系：第一组更依赖相对阈值，第二组由绝对阈值兜底。实际项目中不要把示例中的数值直接当成所有业务的标准，而要从计量精度、采样噪声或接口约定推导阈值。

按数量级选择容差，而不是凭感觉调小数

我通常会先把业务允许的误差写成一句话，再映射到参数：如果结果允许最多相差 0.01，就把它变成 abs_tol=0.01；如果更关心百分比偏差，就设定 rel_tol。两个参数一起使用时，取值较宽的那条边界会让比较返回真。

参数选择可以用下面的检查顺序记录下来：数据单位是什么、允许的绝对偏差是多少、允许的比例偏差是多少、是否会出现零或负零。把这四项写进函数旁边的注释或配置说明，后续维护时比只留一个 1e-9 更容易复核。

特殊值和常见误区

第一，NaN 不会被当成接近任何值，包括它自己；如果业务需要把缺失值视作相等，应在调用前单独处理缺失语义。第二，正无穷只与正无穷接近，负无穷只与负无穷接近，有限值不会因为容差变大而接近无穷。第三，rel_tol 应该是非负数，不能用负数表达“更严格”。

还有一个很常见的误区：把 isclose 当成排序或去重规则。近似相等可能不满足传递性，A 接近 B、B 接近 C，不代表 A 一定接近 C。需要分桶、排序或金额落账时，应先明确舍入、量化或 Decimal 规则，再使用一致的键。

相关问题

为什么给了 rel_tol 仍然要设置 abs_tol？ 因为零附近的相对误差缺少稳定参照，默认绝对容差为零时，小残差仍可能被判为不接近。

math.isclose 能替代 Decimal 吗？ 不能。它回答的是“两个已得到的浮点结果是否足够接近”，不负责消除浮点表示误差，也不负责定义财务精度。

什么时候直接用 ==？ 比较枚举、字符串、整数或明确要求位级相同的值时可以；对计算得到的浮点结果，先确认严格相等确实是业务规则。