当前位置:首页 > 文章列表 > 文章 > python教程 > Python fractions.Fraction.limit_denominator 怎样用小分母近似测量值

Python fractions.Fraction.limit_denominator 怎样用小分母近似测量值

来源:17golang原创 2026-10-27 13:38:39 0浏览 收藏

Fraction(value).limit_denominator(N) 返回分母不大于 N 的最近有理数。测量值若来自十进制文本,可以先用 Fraction("0.3748") 保留该读数的精确数值,再限制分母;如果还要求误差不超过某个容限,需要单独计算差值。

官方文档地址:https://docs.python.org/3/library/fractions.html

先确定测量值的输入含义

把仪器导出的无量纲比例“0.3748”写成易读分数,是一个表示问题。十进制文本、float 和 Fraction 的含义应先分清:从 float 构造 Fraction 会精确保留那个二进制浮点值,而不是自动恢复输入时想表达的十进制小数。

因此,原始读数若本来就是文本,直接从文本构造。测量软件若只提供 float,也可以近似它,但应承认近似对象是收到的浮点值。两者都不能反推出仪器的真实误差或原来不存在的精度。

文本读数和浮点值的Fraction输入关系原创结构图
原创结构图:文本读数与 float 的数值含义不同,构造 Fraction 时应保留输入约定。

同时约束分母与允许误差

这里把两项约束分开:分母上限决定结果是否足够简单,误差容限决定能否采用。示例保留原始分数、近似分数与绝对误差,不把更漂亮的分数直接覆盖原始数据。

from fractions import Fraction

def approximate_reading(text, max_denominator, tolerance_text):
    # 严格限定业务参数,避免把布尔值或小数当作分母上限。
    if type(max_denominator) is not int or max_denominator 

按数值关系推导,0.3748 为 937/2500;本例分母上限 16 时,候选是 3/8,绝对误差为 1/5000,即 0.0002,小于容限 0.0005。这里是数学推导,未声称代码已在本机运行。这个容限只用于示例,并非任何行业的测量标准。

分母上限与绝对误差容限的原创结构图
原创结构图:分母上限约束表示复杂度,误差容限决定业务是否采用。
需求选择
限制分数表示复杂度设置 max_denominator
保证近似差值在业务范围内比较绝对误差与容限
要求固定分母,例如只能取十六分之一倍数另做固定网格舍入,不能仅靠分母上限

保留原始读数和近似策略

分母上限为 16,并不意味着结果一定写成“某数/16”;3/8、1/5 等更小分母也在允许集合中。原始分母已经不超过上限时,不必期待它一定变化。负值也应按同样的绝对误差定义处理,不要把误差符号当作质量判断。

批量处理时,建议记录原始读数、分母上限、容限和采用判定。容限必须和原始读数使用相同单位;比例与百分数混用,会让比较失去意义。没通过容限时,应保留“不采用”的明确状态,由业务决定提高上限还是保持原表示。

增大上限就一定得到真实比例吗?不会,它只扩大可选有理数范围。能否拿近似值替代原始测量记录?建议把它作为派生表示保存,保留原读数便于追溯。这与保留几位小数一样吗?不是,小数位数约束与分母大小约束描述不同的表示集合。

参考:Python Fraction 与 limit_denominator 官方说明。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Python graphlib.CycleError 怎样读取依赖环中的节点Python graphlib.CycleError 怎样读取依赖环中的节点
上一篇
Python graphlib.CycleError 怎样读取依赖环中的节点
Python statistics.NormalDist.overlap 怎样比较两个正态分布重叠程度
下一篇
Python statistics.NormalDist.overlap 怎样比较两个正态分布重叠程度
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    734次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    736次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    815次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    776次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    611次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码