在 Go 中，有两种浮点类型（如果我们省略虚数）：float32 和 float64。发明浮点的概念是为了解决整数的主要问题：它们无法表示小数值。为了避免意外，我们必须知道浮点算术是实数算术的近似值。让我们发现使用近似值的影响以及如何提高准确性。
让我们看一个乘法示例：
var n float32 = 1.0001
fmt.Println(n * n)我们可能希望这段代码打印 1.0001 * 1.0001: 1.00020001 的结果，对吧？但是，在大多数 x86 处理器上运行此代码会打印 1.0002。我们该如何解释呢？让我们了解浮点数的算法。
如果我们以 float64 类型为例，我们应该注意到在 math.SmallestNonzeroFloat64（float64 最小值）和 math MaxFloat64（float64 最大值）之间存在无限多个实数值。相反，float64 类型的位数是有限的：64。由于不可能使无限值适合有限空间，因此我们必须使用近似值。 因此，可能会失去精度。float32 类型也是如此。
Go 中的浮点数遵循 IEEE-754 标准，其中一些位表示尾数，其他位表示指数。尾数是基值，而指数是应用于尾数的乘数。在单精度浮点数（float32）中，8 位表示指数，23 位表示尾数。在双精度浮点 (float64) 中，指数和尾数分别为 11 位和 52 位。剩下的位是符号。要将浮点数转换为小数，我们进行以下计算：
sign * 2^exponent * mantissa让我们看看1.0001作为 float32 的表示：
指数使用 8 位过量/偏置表示法。在这里，01111111 的指数值表示 2^0，而尾数等于 1.000100016593933（本节的范围不是解释转换的工作原理）。因此，十进制值等于 1 * 2^0 * 1.000100016593933。因此，我们存储到单精度浮点中的不是 1.0001，而是 1.000100016593933。缺乏精度会影响存储值的准确性。
一旦我们了解到 float32 和 float64 是近似值，开发人员对我们有什么影响？
第一个含义与比较有关。 使用 == 运算符比较两个浮点数可能会导致不准确。相反，我们应该比较它们的差异小于某个小的误差值。例如，testify 测试库有一个 InDelta 函数来断言两个值在彼此的给定增量内。
我们还要记住，浮点计算的结果取决于实际的处理器。大多数处理器都有一个浮点单元 (FPU) 来处理此类计算。不能保证在一台机器上执行的一个结果在另一台具有不同 FPU 的机器上是相同的。同样，使用 delta 比较两个值可以成为跨不同机器实现有效测试的解决方案。
Note 这里有一个构建这些特殊类型数字的例子：
var a float64
positiveInf := 1 / a
negativeInf := -1 / a
nan := a / a
fmt.Println(positiveInf, negativeInf, nan)这段代码输出如下：
+Inf -Inf NaN我们可以使用
math.IsInf检查浮点数是否无限，以及使用math.IsNaN检查浮点数是否为 NaN。Go 还有三种特殊的浮点数：
- 正无限。
- 负无限。
- NaN(不是一个数字)，未定义或无法表示的操作的结果。 根据 IEEE-754，唯一满足
f != f的浮点数。
我们已经看到十进制到浮点的转换会导致精度下降。这是由于转换导致的错误。我们还必须注意，错误可以在一系列浮点运算中累积。
让我们看一个示例，其中有两个函数将以不同的顺序执行相同的操作序列。f1 将首先将 float64 初始化为 10000，然后将 1.0001 重复添加到此结果（n 次）。相反，f2 将执行相同的操作，但顺序相反（最后加 10000）。
func f1(n int) float64{
result := 10_000.
for i := 0; i < n; i++ {
result += 1.0001
}
return result
}
func f2(n int) float64 {
result := 0.
for i := 0; i < n; i++ {
result += 1.0001
}
return result + 10_000.
}让我们在x86处理器上运行这些功能，同时改变n：
| n | 期望结果 | f1 | f2 |
|---|---|---|---|
| 10 | 10010.01 | 10010.000999999993 | 10010.001 |
| 1k | 11000.1 | 11000.099999999293 | 11000.099999999982 |
| 1m | 1.0101e+06 | 1.0100999999761417e+06 | 1.0100999999766762e+06 |
我们可以注意到，n 越大，不精确就越大。然而，我们也可以看到 f2 精度优于f1。事实上，我们应该记住，浮点计算的顺序可能会影响结果的准确性。
在执行一系列加法和减法时，我们应该将操作分组以添加或减去具有相似数量级的值，然后再添加或减去那些幅度不接近的值。由于 f2 执行了 10000 加法，因此最终产生的结果比 f1 更准确。
乘法和除法呢？让我们想象一下，我们想计算以下内容：
a * (b + c)如我们所知，这种计算等于：
a * b + a * c让我们用与 b 和 c 不同数量级的 a 运行这两个计算：
a := 100000.001
b := 1.0001
c := 1.0002
fmt.Println(a * (b + c))
fmt.Println(a*b + a*c)200030.00200030004
200030.0020003确切的结果是 200030.002。因此，第一次计算的准确度最差。 确实，在进行加减乘除的浮点运算时，我们必须先完成乘除运算才能获得更好的精度。有时，它可能会影响执行时间，就像前面的示例一样，它需要三个操作而不是两个。在这种情况下，这是准确性和执行时间之间的选择。
Go的 float32 和 float64 是近似值。因此，我们必须牢记一些规则：
-
在比较两个浮点数时，我们应该在可接受的范围内比较它们的差异。
-
我们应该对操作进行类似数量级的分组，以便在执行加法或减法时提高准确性。
-
同样，为了提高准确性，如果一系列操作需要加法、减法、乘法和除法，我们应该先执行乘法和除法。
以下部分将开始深入研究切片，并讨论两个关键概念：切片的长度和容量。