我已经在numpy中创建了一个结构化数组并设置了这样的值：
>>> array_structured = np.zeros(200000, dtype=[('index', np.int32),
('price', np.float32)])
>>> array_structured
array([(0, 0.), (0, 0.), (0, 0.), ..., (0, 0.), (0, 0.), (0, 0.)],
dtype=[('index', '<i4'), ('price', '<f4')])
>>> array_structured['price'][0] = 100.12
>>> array_structured
array([(0, 100.12000275), (0, 0. ), (0, 0. ), ...,
(0, 0. ), (0, 0. ), (0, 0. )],
dtype=[('index', '<i4'), ('price', '<f4')])
但实际值不是100.12，而是100.12000275。即使我检查它们是否相同，它也说错了：
>>> array_structured['price'][0] == 100.12
False
如何为元素指定精确的100.12？
答案 0 :(得分：2)
>>> array_structured['price'][0] == 100.12
False
100.12是一个python float，它是一个float64，但你的数组包含float32。
执行作业时，float64向下转换为float32，您将失去精确度。
进行比较时，float32会向上转换为float64，但精度未恢复，因此值不相等。
@cᴏʟᴅsᴘᴇᴇᴅ暗示float(100.12)只是10012/100的近似值，并且它们并不完全相等
答案 1 :(得分：2)
这里发生了一些事情，而不是一切都是它出现的，所以让我们把所有东西分开。
正如@COLDSPEED和@Eric都提到的那样，当你有一个浮点数时，它只是你想要存储的“真实”值的近似值。这个事实的原因是因为计算机以二进制 - 基数2表示存储数字 - 而100.12因此是100和12/100。整数部分很容易用2的正幂表示，但小数部分在基数2中没有精确表示（你可以通过使用Wolfram Alpha并运行查询“12/100 base 2”来看到这一点）。因此，要存储100.12，计算机必须使用2（容易）和12/100的幂使用2的幂（不可能精确地），大约100，并且它使用32或64位（32或64个插槽对应功率） 2）做到这一点。除此之外的所有内容都会被截断，因此存储的12/100的近似值并不准确。表示中的位越多，近似越接近，并且你可以使用任意更多的位来任意接近，但你永远不会得到它。
根据用于存储每个浮点数（32或64）的位数，您将获得更好或更差的近似值。您可以通过要求Python打印出每个数字的50位数来看到这一点（50太多了，但只是为了说明 - 我们接下来要打印）：
In [2]: print("%.50f"%(np.array([100.12],dtype=np.float32)[0]))
100.12000274658203125000000000000000000000000000000000
In [3]: print("%.50f"%(np.array([100.12],dtype=np.float64)[0]))
100.12000000000000454747350886464118957519531250000000
进行中间计算也可以改变最终的二进制表示。这是一个例子，比较100.12到100.02 + 0.10：
In [4]: print("%.50f"%(100.12))
100.12000000000000454747350886464118957519531250000000
In [5]: print("%.50f"%(100.02+0.10))
100.11999999999999033661879366263747215270996093750000
在第一种情况下，Python使用2的幂创建12/100的近似值。在第二种情况下，Python使用2的幂创建2/100的近似值，然后使用幂的另一近似值1/10两个，然后结合这两个表示，导致不同的近似。
在这里进行的另一层近似是，当Numpy / Python打印100.12000275时，它只打印作为Numpy数组的字符串表示的一部分，而Numpy数组又使用数组中每个元素的字符串表示。因此，不要假设打印数组会为您提供计算机在该数组中看到的“绝对”版本。如果您拉出该特定值并使用打印格式字符串将其打印出来，您会看到还有更多小数点：
In [7]: array_structured
Out[7]:
array([(0, 100.12000275), (0, 0. )],
dtype=[('index', '<i4'), ('price', '<f4')])
In [8]: print("%.50f"%(array_structured['price'][0]))
100.12000274658203125000000000000000000000000000000000
但是，我应该指出，由于基数为2的表示，打印50个小数位对应于打印比Python实际存储的精度更高的位数，所以在某些时候甚至上面的数字只是近似值近似值。
将此与您使用np.float64的情况进行比较：再次，您会看到表示层。打印阵列使得它看起来像现在“完全”100.12，但使用打印格式显示您只有更接近的近似值：
In [10]: array_structured = np.zeros(2, dtype=[('index', np.int32),('price', np.float64)])
In [11]: array_structured['price'][0] = 100.12
In [12]: array_structured
Out[12]:
array([(0, 100.12), (0, 0. )],
dtype=[('index', '<i4'), ('price', '<f8')])
In [13]: print("%.50f"%(array_structured['price'][0]))
100.12000000000000454747350886464118957519531250000000
再次，这只是近似的近似值 - Python将基数为10的数字“100.12”转换为基数2表示来存储其值，当您将其打印出来时，它将基数2表示转换为基数10表示。
由于==运算符的性质，您的等式检查不考虑这些多层表示。您将其解释为数学等于运算符，如2 + 2 = 4.但是，由于浮点数的二进制表示，这不会像您期望的那样工作。 （我的意思是，即使它做了工作，它也行不通，因为它实际上是在检查“100.12”是否等于数组中100.12的值，它正在检查计算机是否代表左边的东西等于右边东西的计算机表示。）
要检查两个数字是否相等，请不要使用==，使用math.isclose或比较两个数字的绝对差值：
In [18]: a = 100.12
In [19]: b = 100.02 + 0.10
In [20]: import math
In [21]: a==b
Out[21]: False
In [22]: math.isclose(a,b)
Out[22]: True
In [25]: abs(a-b)<1e-10
Out[25]: True
你的问题肯定是Python内脏的一个洞穴......希望你喜欢这个小小的游览。