浮点数精度
JavaScript 中的浮点数采用 IEEE 754 标准表示，它是一种二进制表示法，将一个实数分为符号位、指数位和尾数位三个部分。在 JavaScript 中，浮点数的精度是有限的，这是由于计算机在表示浮点数时采用了二进制表示法，而二进制无法准确地表示一些十进制的小数，例如 0.1 和 0.2，因此在进行浮点数计算时可能会出现精度丢失的情况。
例如，下面的代码演示了一个浮点数精度丢失的例子：
console.log(0.1 + 0.2); // 0.30000000000000004
在上面的代码中，我们期望输出的结果是 0.3，但实际上输出的结果是 0.30000000000000004。这是因为 0.1 和 0.2 在二进制下是无限循环小数，无法准确表示。当它们相加时，得到的结果也是一个无限循环小数，但在 JavaScript 中只能表示出有限的位数，因此会出现精度误差的情况。
为了避免浮点数精度丢失的问题，可以采用以下几种方法：
将浮点数转换为整数进行计算，最后再将结果转换回浮点数。
使用第三方库，例如 BigNumber.js 或 decimal.js，这些库提供了更高精度的数值计算功能。
使用 toFixed() 方法对结果进行四舍五入，例如：
console.log((0.1 + 0.2).toFixed(1)); // 0.3
但需要注意的是，使用 toFixed() 方法会将结果转换为字符串类型，需要再次进行类型转换才能进行数值计算。
前言
0.1 + 0.2 是否等于 0.3 作为一道经典的面试题，已经广外熟知，说起原因，大家能回答出这是浮点数精度问题导致，也能辩证的看待这并非是 ECMAScript 这门语言的问题，今天就是具体看一下背后的原因。
数字类型
ECMAScript 中的 Number 类型使用 IEEE754 标准来表示整数和浮点数值。所谓 IEEE754 标准，全称 IEEE 二进制浮点数算术标准，这个标准定义了表示浮点数的格式等内容。
在 IEEE754 中，规定了四种表示浮点数值的方式：单精确度（32位）、双精确度（64位）、延伸单精确度、与延伸双精确度。像 ECMAScript 采用的就是双精确度，也就是说，会用 64 位来储存一个浮点数。
浮点数转二进制
十进制转换为二进制: 除2取余法,每次将整数部分除以2，余数为该位权上的数，而商继续除以2，余数又为上一个位权上的数，这个步骤一直持续下去，直至商为0为止，最后读数时候，从最后一个余数读起，一直到最前面的一个余数。然后把所有余数按相反的顺序排列，即得到二进制数1001。同样的方法可以用于将任意十进制数转换为二进制数。
我们来看下 1020 用十进制的表示：
1020 = 1 * 10^3 + 0 * 10^2 + 2 * 10^1 + 0 * 10^0
所以 1020 用十进制表示就是 1020……(哈哈)
如果 1020 用二进制来表示呢？
1020 = 1 * 2^9 + 1 * 2^8 + 1 * 2^7 + 1 * 2^6 + 1 * 2^5 + 1 * 2^4 + 1 * 2^3 + 1 * 2^2 + 0 * 2^1 + 0 * 2^0
所以 1020 的二进制为 1111111100
那如果是 0.75 用二进制表示呢？同理应该是：
0.75 = a * 2^-1 + b * 2^-2 + c * 2^-3 + d * 2^-4 + ...
因为使用的是二进制，这里的 abcd……的值的要么是 0 要么是 1。
那怎么算出 abcd…… 的值呢，我们可以两边不停的乘以 2 算出来，解法如下：
0.75 = a * 2^-1 + b * 2^-2 + c * 2^-3 + d * 2^-4...
两边同时乘以 2
1 + 0.5 = a * 2^0 + b * 2^-1 + c * 2^-2 + d * 2^-3... (所以 a = 1)
剩下的：
0.5 = b * 2^-1 + c * 2^-2 + d * 2^-3...
再同时乘以 2
1 + 0 = b * 2^0 + c * 2^-2 + d * 2^-3... (所以 b = 1)
所以 0.75 用二进制表示就是 0.ab，也就是 0.11
然而不是所有的数都像 0.75 这么好算，我们来算下 0.1：
0.1 = a \* 2^-1 + b \* 2^-2 + c \* 2^-3 + d \* 2^-4 + ...
0 + 0.2 = a \* 2^0 + b \* 2^-1 + c \* 2^-2 + ... (a = 0)
0 + 0.4 = b \* 2^0 + c \* 2^-1 + d \* 2^-2 + ... (b = 0)
0 + 0.8 = c \* 2^0 + d \* 2^-1 + e \* 2^-2 + ... (c = 0)
1 + 0.6 = d \* 2^0 + e \* 2^-1 + f \* 2^-2 + ... (d = 1)
1 + 0.2 = e \* 2^0 + f \* 2^-1 + g \* 2^-2 + ... (e = 1)
0 + 0.4 = f \* 2^0 + g \* 2^-1 + h \* 2^-2 + ... (f = 0)
0 + 0.8 = g \* 2^0 + h \* 2^-1 + i \* 2^-2 + ... (g = 0)
1 + 0.6 = h \* 2^0 + i \* 2^-1 + j \* 2^-2 + ... (h = 1)
....
然后你就会发现，这个计算在不停的循环，所以 0.1 用二进制表示就是 0.00011001100110011……
浮点数的存储
虽然 0.1 转成二进制时是一个无限循环的数，但计算机总要储存吧，我们知道 ECMAScript 使用 64 位来储存一个浮点数，那具体是怎么储存的呢？这就要说回 IEEE754 这个标准了，毕竟是这个标准规定了存储的方式。
这个标准认为，一个浮点数 (Value) 可以这样表示：
Value = sign * exponent * fraction
看起来很抽象的样子，简单理解就是科学计数法……
比如 -1020，用科学计数法表示就是:
-1 * 10^3 * 1.02
sign 就是 -1，exponent 就是 10^3，fraction 就是 1.02
对于二进制也是一样，以 0.1 的二进制 0.00011001100110011…… 这个数来说：
可以表示为：
1 * 2^-4 * 1.1001100110011……
其中 sign 就是 1，exponent 就是 2^-4，fraction 就是 1.1001100110011……
而当只做二进制科学计数法的表示时，这个 Value 的表示可以再具体一点变成：
V = (-1)^S * (1 + Fraction) * 2^E
(如果所有的浮点数都可以这样表示，那么我们存储的时候就把这其中会变化的一些值存储起来就好了)
我们来一点点看：
(-1)^S 表示符号位，当 S = 0，V 为正数；当 S = 1，V 为负数。
再看 (1 + Fraction)，这是因为所有的浮点数都可以表示为 1.xxxx * 2^xxx 的形式，前面的一定是 1.xxx，那干脆我们就不存储这个 1 了，直接存后面的 xxxxx 好了，这也就是 Fraction 的部分。
最后再看 2^E
如果是 1020.75，对应二进制数就是 1111111100.11，对应二进制科学计数法就是 1 * 1.11111110011 * 2^9，E 的值就是 9，而如果是 0.1 ，对应二进制是 1 * 1.1001100110011…… * 2^-4， E 的值就是 -4，也就是说，E 既可能是负数，又可能是正数，那问题就来了，那我们该怎么储存这个 E 呢？
我们这样解决，假如我们用 8 位来存储 E 这个数，如果只有正数的话，储存的值的范围是 0 ~ 254，而如果要储存正负数的话，值的范围就是 -127~127，我们在存储的时候，把要存储的数字加上 127，这样当我们存 -127 的时候，我们存 0，当存 127 的时候，存 254，这样就解决了存负数的问题。对应的，当取值的时候，我们再减去 127。
所以呢，真到实际存储的时候，我们并不会直接存储 E，而是会存储 E + bias，当用 8 位的时候，这个 bias 就是 127。
所以，如果要存储一个浮点数，我们存 S 和 Fraction 和 E + bias 这三个值就好了，那具体要分配多少个位来存储这些数呢？IEEE754 给出了标准：
在这个标准下：
我们会用 1 位存储 S，0 表示正数，1 表示负数。
用 11 位存储 E + bias，对于 11 位来说，bias 的值是 2^(11-1) - 1，也就是 1023。
用 52 位存储 Fraction。
举个例子，就拿 0.1 来看，对应二进制是 1 * 1.1001100110011…… * 2^-4， Sign 是 0，E + bias 是 -4 + 1023 = 1019，1019 用二进制表示是 1111111011，Fraction 是 1001100110011……
对应 64 位的完整表示就是：
0 01111111011 1001100110011001100110011001100110011001100110011010
同理, 0.2 表示的完整表示是：
0 01111111100 1001100110011001100110011001100110011001100110011010
所以当 0.1 存下来的时候，就已经发生了精度丢失，当我们用浮点数进行运算的时候，使用的其实是精度丢失后的数。
浮点数的运算
关于浮点数的运算，一般由以下五个步骤完成：对阶、尾数运算、规格化、舍入处理、溢出判断。我们来简单看一下 0.1 和 0.2 的计算。
首先是对阶，所谓对阶，就是把阶码调整为相同，比如 0.1 是 1.1001100110011…… \* 2^-4，阶码是 -4，而 0.2 就是 1.10011001100110...* 2^-3，阶码是 -3，两个阶码不同，所以先调整为相同的阶码再进行计算，调整原则是小阶对大阶，也就是 0.1 的 -4 调整为 -3，对应变成 0.11001100110011…… \* 2^-3
接下来是尾数计算:
0.1100110011001100110011001100110011001100110011001101
+ 1.1001100110011001100110011001100110011001100110011010
————————————————————————————————————————————————————————
10.0110011001100110011001100110011001100110011001100111
我们得到结果为 10.0110011001100110011001100110011001100110011001100111 \* 2^-3
将这个结果处理一下，即结果规格化，变成 1.0011001100110011001100110011001100110011001100110011(1) \* 2^-2
括号里的 1 意思是说计算后这个 1 超出了范围，所以要被舍弃了。
再然后是舍入，四舍五入对应到二进制中，就是 0 舍 1 入，因为我们要把括号里的 1 丢了，所以这里会进一，结果变成
1.0011001100110011001100110011001100110011001100110100 \* 2^-2
本来还有一个溢出判断，因为这里不涉及，就不讲了。
所以最终的结果存成 64 位就是
0 01111111101 0011001100110011001100110011001100110011001100110100
将它转换为10进制数就得到 0.30000000000000004440892098500626
因为两次存储时的精度丢失加上一次运算时的精度丢失，最终导致了 0.1 + 0.2 !== 0.3
其他
// 十进制转二进制
parseFloat(0.1).toString(2);
=> "0.0001100110011001100110011001100110011001100110011001101"
// 二进制转十进制
parseInt(1100100,2)
=> 100
// 以指定的精度返回该数值对象的字符串表示
(0.1 + 0.2).toPrecision(21)
=> "0.300000000000000044409"
(0.3).toPrecision(21)
=> "0.299999999999999988898"