在开发过程中遇到类似的问题：

  1. let n1 = 0.1, n2 = 0.2;
  2. console.log(n1 + n2)           // 0.30000000000000004
  1. 通常得到的不是想要的结果，要想等于0.3，就要把它进行转化：
  1. (n1 + n2).toFixed(2)          // toFixed为四舍五入
  1. 那么出现上述的结果的原因是什么呢？<br />计算机是通过二进制的方式来存储数据，二进制只能精准表达能被2除尽的数字，在二进制无法精准表示时，需要根据精度舍入（`0舍1入`）。所以当计算机在计算`0.1 + 0.2`的时候，实际上是在计算两个数的二进制的和。0.1的二进制是0.0001100110011001100...（1100循环），0.2的二进制为0.00110011001100...（1100循环），这两个数的二进制都是无限循环的数。<br />由于Number数据类型都是采用double双精度浮点数，我们来看看双精度数是如何保存的：<br />![](https://cdn.nlark.com/yuque/0/2022/jpeg/28976061/1659679115731-592c134a-92a4-4c0c-9b53-f2f1dfe016d1.jpeg)
  1. sign(蓝色）：用来存储符号位、区分正负数，0表示正数，占用1位；
  2. exponent(绿色）：用来存储指数，占用11位；
  3. fraction(红色）：用来存储小数，占用52位。

当我们将0.1的二进制转为科学计数法时，得到下述结果：

  1. 1.1001100110011001100110011001100110011001100110011001*2^-4

可以从中看出0.1的符号位为0，指数为-4，小数位为：

  1. 1001100110011001100110011001100110011001100110011001

当指数位为负数时，IEEE标准规定了一个偏移量，对于指数部分，每次都加上这个偏移量来进行保存，这样即使指数是负数，加上偏移量后也会是正数了。

  • 当指数位不全是0也不全是1时（规格化的数值旬，IEEE规定，阶码计算公式为e-Bias。此时e

最小值是1，则1-1023=-1022，e最大值是2046，则2046-1023=1023，可以看到，这种
情况下取值范围是-1022~1023。

  • 当指数位全部是0的时候（非规格化的数值，IEEE规定，阶码的计算公式为1-Bias,即1-1023=-1022.
  • 当指数位全部是1的时候（特殊值，EEE规定这个浮点数可用来表示3个特殊值，分别是正无

穷，负无穷，NaN。具体的，小数位不为0的时候表示NaN;小数位为O时，当符号位s=0时
表示正无穷，$=1时候表示负无穷。
所以对于0.党的指数位为-4， -4+1023=1019，转为二进制即1111111011.

解决办法

对于这个问题，可以设置一个误差范围，通常称为“机器精度”。在ES6中提供了Number.EPSILON属性，它的值为2 - 52。我们只要判断0.1+0.2-0.3是否小于Number.EPSILON，如果小于即可判断0.1+0.2 === 0.3

  1. function numberepsilon(arg1,arg2){                   
  2.   return Math.abs(arg1 - arg2) < Number.EPSILON;        
  3. }        
  5. console.log(numberepsilon(0.1 + 0.2, 0.3));  // true