python的round()采用“四舍六入五成双”而非四舍五入，如round(2.5)得2、round(3.5)得4；浮点精度问题会加剧误差，真·四舍五入应使用decimal模块或整数缩放法。
Python round() 不是数学四舍五入
Python 的 round() 函数实际采用“四舍六入五成双”（银行家舍入），不是小学教的四舍五入。比如 round(2.5) 得 2，round(3.5) 得 4，因为要让结果更接近偶数。
- 这是 IEEE 754 标准行为，也是 Python 3 的默认策略，无法通过参数关闭
- 金融、教学、测试用例等场景下容易出错——你以为
round(1.235, 2)是1.24，结果却是1.23 - 浮点数本身精度问题会放大误差：
round(2.675, 2)返回2.67，因为2.675在二进制中无法精确表示
想要真·四舍五入，得自己写逻辑
最稳妥的方式是用 decimal 模块做定点计算，避免浮点干扰；或者用整数缩放法绕过小数精度陷阱。
-
from decimal import Decimal, ROUND_HALF_UP，然后Decimal('2.675').quantize(Decimal('0.01'), rounding=ROUND_HALF_UP) - 如果输入是 float 且不能改类型，先转字符串再处理（如
f"{x:.10f}"截断后解析），否则直接对 float 应用Decimal(x)仍可能带入原始精度污染 - 简单场景可用
int(x * 10**n + 0.5) / 10**n，但仅适用于正数；负数要改用math.copysign(int(abs(x) * 10**n + 0.5), x) / 10**n
numpy.round() 和内置 round() 行为不一致
NumPy 的 numpy.round()（以及 ndarray.round()）默认也是银行家舍入，但它的底层实现和 Python 内置不同，在某些边界值上结果可能有细微差异，尤其涉及大数组或非标量输入时。
- 例如
numpy.round(0.5)和round(0.5)都返回0，但numpy.array([0.5]).round()在旧版本 NumPy 中曾返回[1.]（已修复，但仍需注意版本） - 传入
decimals参数时，NumPy 支持负数（如-1表示十位取整），而内置round()也支持，但语义一致；不过 NumPy 对nan和inf的处理更严格，会保留原值 - 性能上，NumPy 批量处理快得多，但单个数值没必要引入依赖——别为了一个
round()导入 numpy
格式化字符串不是四舍五入，只是显示截断
f"{x:.2f}" 或 format(x, '.2f') 看似能控制小数位，但它底层调用的是 round_half_even，而且只影响字符串输出，不改变数值本身。
立即学习“Python免费学习笔记（深入）”；
- 比如
x = 1.2349999999999999，f"{x:.2f}"显示"1.23"，但x还是那个略小于1.235的 float，参与后续计算时不会“变圆” - 若你真正需要的是用于比较或存储的四舍五入值，必须显式赋值：
y = round_to_half_up(x, 2)，而不是只靠格式化 - 用
%.2f旧式格式化同理，它和 f-string 在舍入逻辑上一致，别误以为旧语法更“老实”
真正麻烦的地方不在怎么写，而在什么时候意识到——你正在用的“四舍五入”根本不是你要的那个。浮点表示、函数语义、显示与计算分离，三者叠加，一个 round() 调用就能埋下跨周调试的坑。
