Go语言内置了两种浮点数类型，分别是float32和float64，二者都遵循IEEE 754标准实现，但在存储位数、精度表现、适用场景上存在明显区别。理解这些差异能帮助开发者在数值计算场景中做出更合适的类型选择，减少因精度问题导致的业务异常。
float32与float64的底层存储差异
两种浮点数类型的核心差异来自存储位数的不同，IEEE 754标准对单精度和双精度浮点数的存储结构定义如下：
| 类型 | 总位数 | 符号位 | 指数位 | 尾数位 | 内存占用 |
|---|---|---|---|---|---|
| float32 | 32位 | 1位 | 8位 | 23位 | 4字节 |
| float64 | 64位 | 1位 | 11位 | 52位 | 8字节 |
尾数位决定了浮点数的精度，float32的23位尾数位大约能提供6到7位有效十进制数字的精度，而float64的52位尾数位大约能提供15到17位有效十进制数字的精度。
精度表现对比示例
我们可以通过简单的数值计算示例直观看到两种类型的精度差异：
package main
import (
"fmt"
)
func main() {
// 定义两个float32类型的数值
var a float32 = 1.123456789
var b float32 = 2.123456789
// 定义两个float64类型的数值
var c float64 = 1.123456789
var d float64 = 2.123456789
fmt.Println("float32计算结果:", a+b)
fmt.Println("float64计算结果:", c+d)
fmt.Println("精确结果应为:", 3.247913578)
}
运行上述代码后，输出结果如下：
float32计算结果: 3.2479136 float64计算结果: 3.247913578
可以看到float32的计算结果只保留了7位有效数字，后面的位数出现了精度丢失，而float64的结果和精确值几乎一致，精度优势非常明显。
运算性能与内存占用差异
除了精度之外，两种类型在内存和性能上也有区别：
- 内存占用：float32占4字节，float64占8字节，当需要处理大量浮点数数组时，float32能节省一半的内存空间。
- 运算性能：在现代64位CPU架构下，float64的运算速度通常和float32相当，甚至部分场景下更快，因为CPU原生对64位数据的处理效率更高。但在一些嵌入式设备或者需要大量数据传输的场景中，float32的内存带宽优势会更明显。
实际开发中的选择建议
适合使用float32的场景
- 对精度要求不高，只需要保留少量有效数字的场景，比如图形渲染中的颜色值、纹理坐标计算。
- 需要处理超大规模浮点数集合，且内存资源紧张的场景，比如机器学习中的大规模特征矩阵存储。
- 和C语言等外部库交互，且对方接口明确要求使用32位浮点数的场景。
适合使用float64的场景
- 涉及金融计算、科学计算等对精度要求高的场景，比如金额计算、物理模拟、工程测量数据处理。
- 普通业务开发中的通用浮点数场景，Go语言默认浮点数字面量就是float64类型，不需要额外做类型转换。
- 需要频繁进行浮点数运算，且希望减少精度累积误差的场景。
注意事项
在使用浮点数时还需要注意几个常见问题：
- 不要直接用等于号比较两个浮点数是否相等，因为精度误差可能导致判断结果不符合预期，应该判断两个值的差是否小于一个极小的阈值。
- 如果需要绝对精确的小数计算，比如金融场景的金额运算，不要使用浮点数，应该选择
decimal类型的第三方库或者使用整数存储最小单位（比如金额用分存储）。 - 浮点数转整数时会发生截断，不是四舍五入，需要手动处理四舍五入逻辑。
package main
import (
"fmt"
"math"
)
func main() {
// 浮点数相等判断的正确方式
a := 0.1 + 0.2
b := 0.3
// 错误方式：直接判断相等
fmt.Println("直接判断相等:", a == b)
// 正确方式：判断差值是否小于极小阈值
epsilon := 1e-9
fmt.Println("差值判断相等:", math.Abs(a-b) < epsilon)
}