四舍五入是日常开发中高频出现的操作，无论是金额计算、报表展示还是数据处理，都绕不开它。但在Python中，如果你直接使用内置的round()函数，很可能会遇到结果与预期不符的情况，比如round(2.675, 2)返回的不是2.68而是2.67。这篇文章就来彻底讲清楚Python中数字舍入的各种细节，让你不再被这些诡异的结果困扰。
一、为什么round函数的结果经常不符合预期
要理解round()的诡异行为，需要先弄清楚两个关键点：浮点数的存储误差和Python采用的舍入规则。
第一点是浮点数本身的精度问题。Python中的浮点数遵循IEEE 754标准，采用二进制存储。很多十进制小数在二进制中无法精确表示，比如2.675在计算机内部实际存储的值约等于2.67499999999999982236431605997495353221893310546875。既然这个数实际上比2.675小一点点，那么保留两位小数时舍入到2.67反而是“正确”的，只是与我们的十进制直觉不符。
第二点是Python 3的round()采用的是“银行家舍入”（banker's rounding），即ROUND_HALF_EVEN规则。当数字恰好处于中间值时，会舍入到最近的偶数，而不是我们习惯的“五入”。看下面的例子：
print(round(0.5)) # 输出 0，因为0是偶数 print(round(1.5)) # 输出 2，因为2是偶数 print(round(2.5)) # 输出 2，而不是3 print(round(3.5)) # 输出 4 print(round(2.675, 2)) # 输出 2.67，浮点误差叠加导致
从例子可以看出，round(0.5)和round(2.5)都向下取整到了偶数，这与我们从小学习的“四舍五入”规则并不一致。银行家舍入在统计学上有其优势——大量数据求和时误差可以相互抵消，所以在金融系统之外的场景其实是合理的设计。但如果你的业务需求就是传统的四舍五入，就不能依赖round()了。
另外要注意，round()在不指定第二个参数时返回的是整数（int类型），指定了小数位数则返回浮点数，这一点在类型敏感的场景需要留意。
二、用Decimal模块实现严格的四舍五入
当业务要求严格的“逢五进一”时，标准库中的decimal模块是最可靠的方案。Decimal采用十进制存储，不存在二进制浮点误差，并且支持指定多种舍入模式，其中ROUND_HALF_UP就是我们要的传统四舍五入。
使用时有一个非常关键的细节：构造Decimal对象必须传入字符串，而不是浮点数。如果传入浮点数，精度误差会原封不动地带过去，舍入结果照样出错。
from decimal import Decimal, ROUND_HALF_UP
# 错误方式：传入浮点数，精度已经丢失
print(Decimal(2.675)) # 输出 2.67499999999999982236431605997495353221893310546875
# 正确方式：传入字符串
num = Decimal('2.675')
result = num.quantize(Decimal('0.01'), rounding=ROUND_HALF_UP)
print(result) # 输出 2.68
# 负数同样适用
print(Decimal('-2.675').quantize(Decimal('0.01'), rounding=ROUND_HALF_UP)) # 输出 -2.68
quantize()方法的第一个参数指定目标精度，比如Decimal('0.01')表示保留两位小数，Decimal('0.0001')表示保留四位小数。ROUND_HALF_UP表示中间值时向上（远离零的方向）舍入，这正是我们习惯的四舍五入。
Decimal模块还提供了其他舍入模式，常用的包括ROUND_HALF_EVEN（银行家舍入）、ROUND_DOWN（向零舍入）、ROUND_CEILING（向正无穷舍入）、ROUND_FLOOR（向负无穷舍入）等，可以根据业务需要灵活选择。对于金融、财务类的计算，强烈建议全程使用Decimal，避免浮点误差累积。
如果只是偶尔需要对浮点数做四舍五入，也可以先用str()转换再构造Decimal，这是一个简单实用的技巧：
from decimal import Decimal, ROUND_HALF_UP
def round_half_up(value, digits=0):
"""对浮点数执行传统四舍五入"""
factor = Decimal('1').scaleb(-digits) # 生成 1、0.1、0.01 这样的系数
return Decimal(str(value)).quantize(factor, rounding=ROUND_HALF_UP)
print(round_half_up(2.675, 2)) # 2.68
print(round_half_up(3.14159, 3)) # 3.142
print(round_half_up(-0.5)) # -1
三、字符串格式化也能保留小数位，但要注意行为差异
很多开发者习惯用format()或者f-string来处理小数位，比如'{:.2f}'.format(3.14159)或者f'{3.14159:.2f}'。这种方式在展示层面很好用，但要清楚它的舍入行为。
print('{:.2f}'.format(2.675)) # 输出 2.67
print(f'{2.675:.2f}') # 输出 2.67
print('%.2f' % 2.675) # 输出 2.67，旧的百分号格式化
print(f'{0.5:.0f}') # 输出 0，走的也是银行家舍入
print(f'{1.5:.0f}') # 输出 2
可以看到，格式化操作底层同样受浮点精度和舍入规则的影响，中间值时也是向偶数靠拢。因此格式化只适合“展示用途”，也就是确定最终的显示效果时使用。如果舍入后的数值还要参与后续计算，就不应该先格式化成字符串再转回数字，这样既绕弯又容易出错。
还需要区分两个容易混淆的概念：round()返回的是数值，而格式化返回的是字符串。在拼接日志、生成报表时格式化很方便，但在数据库存储、金额运算时应该保留数值类型。
四、常见问题解答汇总
问题1：怎么对小数点后一位进行四舍五入取整数？传统做法可以借助Decimal，也可以用一个经典技巧：对正数加0.5后向下取整，即int(x + 0.5)。负数则用int(x - 0.5)。不过更推荐统一使用round_half_up函数，逻辑清晰且不易出错。
问题2：numpy数组如何批量四舍五入？numpy提供了np.round()，但它同样采用银行家舍入。如果需要传统四舍五入，可以先乘以10的n次方，加0.5后取整再除回去，代码如下：
import numpy as np arr = np.array([0.5, 1.5, 2.675, 3.14159]) digits = 2 factor = 10 ** digits result = np.floor(arr * factor + 0.5) / factor print(result) # [0.5 1.5 2.68 3.14]
问题3：为什么round(5)之后结果还是原数？注意round()的第二个参数指的是保留的小数位数，对整数调用round(x)没有意义。如果你想做“取整到最近的10”或“最近的100”，需要借助round_half_up中对digits传负数的技巧，例如round_half_up(1234, -2)会先把数字转成科学计数法形式处理，或者直接写int(Decimal('1234').quantize(Decimal('1E2'), rounding=ROUND_HALF_UP))得到1200。
问题4：Python 2和Python 3的round有什么区别？Python 2的round()是传统的四舍五入（远离零），Python 3改成了银行家舍入。如果从旧代码迁移，一定要检查涉及中间值的舍入逻辑，必要时替换为Decimal方案。
总结一下：展示用途用格式化，一般场景用内置round()，金额和精度敏感场景一律用Decimal加ROUND_HALF_UP。理解了浮点误差和银行家舍入这两个核心原因，Python中的数字舍入问题就再也不会让你踩坑了。
Python四舍五入round函数Decimal修改时间：2026-09-05 23:12:59