日常开发中经常用到float、double，但多数人不清楚其底层存储规则。为什么0.1 + 0.2不等于0.3？为什么浮点数值范围远大于整型？答案都在IEEE 754 浮点数标准中，本文逐层拆解原理。

一、为什么需要 IEEE 754？

标准诞生前，各厂商浮点数实现互不统一，相同数值在不同设备上存储、运算结果存在差异。为统一规范，IEEE 推出 754 标准，统一浮点数存储格式、运算规则与异常处理，成为目前通用行业标准。

二、核心结构：三部分组成

浮点数拆分为符号位、阶码位、尾数位三段，常用单精度、双精度规格如下：

精度	总位数	符号位 (S)	阶码位 (E)	尾数位 (M)	偏移量 (Bias)
单精度 float	32 位	1 位	8 位	23 位	127
双精度 double	64 位	1 位	11 位	52 位	1023

1. 符号位 S

仅判定数值正负

• 0：正数
• 1：负数

2. 阶码位 E（带偏移量）

内存中不会直接存放真实指数，存储的是偏移后的阶码。偏移量作用：兼容正负指数表示计算公式：\(\boldsymbol{阶码=真实指数+偏移量}\)举例：真实指数为 3，单精度阶码\(3+127=130\)；真实指数为 - 3，单精度阶码\(-3+127=124\)。

3. 尾数位 M（隐藏前导 1）

规格化浮点数二进制固定为\(1.xxxx\)形式，整数位的 1 默认隐藏不存储，仅保留小数点后数据，节省存储空间。例：有效数值\(1.10001\)，仅存储尾数10001。单精度 23 位尾数，等效 24 位有效数字；双精度 52 位尾数，等效 53 位有效数字。

三、浮点数计算公式

规格化浮点数实际求值公式：\(V = (-1)^S \times (1.M) \times 2^{(阶码 - Bias)}\)

• S：符号位，决定正负
• \(1.M\)：拼接隐藏整数 1 后的完整尾数
• \(阶码-Bias\)：还原出真实指数

四、实战演练：把 12.25 转成 IEEE 754 单精度浮点数

步骤 1：十进制转二进制

整数部分12 → 1100小数部分\(0.25\) → 01合并结果：1100.01

步骤 2：二进制规格化

改写为科学计数形式：\(1100.01=1.10001 \times 2^3\)

• 符号位 S：正数，取值0
• 真实指数：3，阶码\(=3+127=130\)，二进制10000010
• 尾数 M：截取小数部分10001，补 0 至 23 位 → 10001000000000000000000

步骤 3：拼接 32 位二进制

组合三段数据：0 10000010 10001000000000000000000对应十六进制：41440000

五、特殊情况：非规格化数、无穷、NaN

标准额外定义三类特殊数值，处理边界与异常运算

1. 非规格化数判定条件：阶码全 0，尾数非 0计算公式：\(V = (-1)^S \times (0.M) \times 2^{1 - Bias}\)用途：表示趋近于 0 的极小数值，解决数值下溢问题

2. 无穷大（±∞）判定条件：阶码全 1，尾数全 0符号位 0 为正无穷，符号位 1 为负无穷常见场景：正数除以 0

3. NaN 非数值判定条件：阶码全 1，尾数非 0用途：标记非法运算，例如 0 除以 0、负数开平方

六、经典坑：为什么 0.1 + 0.2 ≠ 0.3？

十进制有限小数，转为二进制会出现无限循环

• 0.1 二进制：0.0001100110011……循环
• 0.2 二进制：0.001100110011……循环

浮点存储位数有限，只能截取近似值存储，相加结果自然无法等于精确 0.3。