注意

如果您需要进行精确计算，特别是处理需要高精度的金融或业务数据时，应考虑改用 Decimal。

浮点数 可能会导致不精确的结果，如下所示：

CREATE TABLE IF NOT EXISTS float_vs_decimal
(
   my_float Float64,
   my_decimal Decimal64(3)
)
ENGINE=MergeTree
ORDER BY tuple();

生成 1 000 000 个保留 2 位小数的随机数，并分别以 float 和 decimal 类型存储

INSERT INTO float_vs_decimal SELECT round(randCanonical(), 3) AS res, res FROM system.numbers LIMIT 1000000;

```sql
SELECT sum(my_float), sum(my_decimal) FROM float_vs_decimal;

┌──────sum(my_float)─┬─sum(my_decimal)─┐
│ 499693.60500000004 │      499693.605 │
└────────────────────┴─────────────────┘

SELECT sumKahan(my_float), sumKahan(my_decimal) FROM float_vs_decimal;

┌─sumKahan(my_float)─┬─sumKahan(my_decimal)─┐
│         499693.605 │           499693.605 │
└────────────────────┴──────────────────────┘

ClickHouse 中的浮点类型在 C 语言中的等价类型如下：

• Float32 — float。
• Float64 — double。

ClickHouse 中的浮点类型具有以下别名：

• Float32 — FLOAT、REAL、SINGLE。
• Float64 — DOUBLE、DOUBLE PRECISION。

在创建表时，可以为浮点数指定数值参数（例如 FLOAT(12)、FLOAT(15, 22)、DOUBLE(12)、DOUBLE(4, 18)），但 ClickHouse 会忽略这些参数。

使用浮点数

• 浮点数运算可能会产生舍入误差。

SELECT 1 - 0.9

┌───────minus(1, 0.9)─┐
│ 0.09999999999999998 │
└─────────────────────┘

• 计算结果取决于计算方式（包括计算机系统的处理器类型和架构）。
• 浮点运算可能产生诸如无穷大（Inf）和“非数字值”（NaN）之类的结果。在处理计算结果时应考虑这一点。
• 当从文本解析浮点数时，结果可能并不是最接近的机器可表示数值。

NaN 和 Inf

与标准 SQL 相比，ClickHouse 支持以下几类浮点数：

• Inf – 无穷大。

SELECT 0.5 / 0

┌─divide(0.5, 0)─┐
│            inf │
└────────────────┘

• -Inf — 负无穷大。

SELECT -0.5 / 0

┌─divide(-0.5, 0)─┐
│            -inf │
└─────────────────┘

• NaN — 表示“不是数字”（Not a Number）。

SELECT 0 / 0

┌─divide(0, 0)─┐
│          nan │
└──────────────┘

请参阅 ORDER BY 子句 部分中关于 NaN 排序的规则。

BFloat16

BFloat16 是一种 16 位浮点数数据类型，包含 8 位指数、1 位符号位和 7 位尾数位。
它在机器学习和 AI 应用中非常实用。

ClickHouse 支持 Float32 与 BFloat16 之间的相互转换， 可以使用 toFloat32() 或 toBFloat16 函数来完成。

注意

大多数其他操作当前尚不支持。