浅谈Python内置对象类型——数字篇（附py2和py3的区别之一）！

Python 里很多人第一次接触内置对象，都是从 list、dict 这些容器开始，很少有人认真看数字对象。

但线上写代码久了会发现，数字类型才是最容易被忽略的一类对象。

比如金额计算、分页数量、统计结果、时间戳处理，这些地方每天都在和数字打交道。很多线上隐藏 Bug，不是业务逻辑错了，而是数字类型理解得不够深。

Python 的数字类型不像 Java 那样有 int、long、float 一堆固定范围，也不像 C 语言那样需要时刻担心溢出。

Python 把数字也当成对象处理。

比如：

count = 100
print(type(count))
print(id(count))

输出：

<class 'int'>
140725634...

这里的 100 并不是一个简单的内存值，而是一个 int 对象。

Python 中常见的数字对象主要有：

int：整数

float：浮点数

complex：复数

bool：布尔类型（特殊的整数）

平时业务开发中，使用最多的是 int 和 float。

先聊 int。

Python3 里的 int 和很多语言不太一样。

以前写 Java 的时候，经常需要考虑：

int max = 2147483647;
long value = 999999999999L;

因为 int 有固定范围。

Python2 时代其实也有类似区别：

# Python2
a = 100
print(type(a))

小整数默认是：

<type 'int'>

如果超过 int 范围，会自动转换成 long：

num = 999999999999999999
print(type(num))

结果：

<type 'long'>

到了 Python3，这两个类型合并了。

现在：

num = 999999999999999999999999999999
print(type(num))

结果：

<class 'int'>

没有 long 了。

Python3 的 int 可以动态扩展。

不过这里有一个容易踩坑的地方。

很多人看到 Python 整数没有限制，就觉得随便算。

实际上不是没有成本。

比如：

total = 10 ** 100000
print(len(str(total)))

这个数字有十万位。

虽然 Python 能处理，但是计算、存储、转换字符串都会消耗资源。

线上如果有人把用户输入直接拿来计算：

number = int(request.args["num"])
result = number ** 10000

这种代码看起来没问题，实际上可能直接把 CPU 打满。

所以数字没有溢出，不代表没有风险。

我自己排查接口性能问题时，遇到过类似情况。

业务方传了一个统计参数，本来设计是查询月份：

202501

结果没有限制范围，被传成了几十位数字。

后面的计算逻辑没有报错，但是 CPU 使用率直接上涨。

Python 不会帮你拒绝这种数字。

边界校验还是业务自己的事情。

---

再说 float。

Python 的浮点数底层使用的是 IEEE 754 双精度浮点。

简单理解：

很多十进制小数，并不能被计算机精确表示。

比如：

price = 0.1 + 0.2
print(price)

结果：

0.30000000000000004

这个问题很多刚接触 Python 的同学第一次都会觉得奇怪。

0.1 加 0.2 为什么不是 0.3？

不是 Python 算错了，而是二进制无法精准表示某些十进制小数。

比如：

a = 0.1
print(format(a, ".20f"))

结果类似：

0.10000000000000000555

你看到的 0.1，其实只是显示出来进行了舍入。

所以金额计算千万不要直接使用 float。

比如：

money = 19.99
discount = money * 0.8
print(discount)

这种写法在支付、账务系统里面风险很大。

一般有两种处理方式。

第一种，使用整数保存最小单位。

比如金额单位是分：

price_fen = 1999
discount = 80
real_price = price_fen * discount // 100
print(real_price)

结果：

1599

保存整数，不参与浮点计算。

第二种，使用 Decimal。

from decimal import Decimal

price = Decimal("19.99")
rate = Decimal("0.8")
result = price * rate
print(result)

输出：

15.992

Decimal 会按照十进制规则计算。

这里有个细节。

不要这样写：

Decimal(0.1)

因为 float 本身已经不准确了。

应该：

Decimal("0.1")

字符串进入 Decimal，才能保持精度。

---

再看看 bool。

Python 里面 bool 其实是 int 的子类。

这个很多人不知道。

执行：

print(isinstance(True, int))
print(True + True)

结果：

True
2

因为：

True == 1
False == 0

所以：

data = [True, False, True]
print(sum(data))

结果：

2

这在统计代码里挺常见。

比如统计成功数量：

records = [
    {"success": True},
    {"success": False},
    {"success": True},
]

success_count = sum(item["success"] for item in records)
print(success_count)

输出：

2

这种写法很简洁。

但是业务代码里别滥用。

有些地方字段类型应该明确：

status = 1

和：

success = True

表达的意思不是一回事。

数据库字段设计时尤其注意。

---

还有一个 Python 数字对象的小细节：对象复用。

比如：

a = 10
b = 10
print(a is b)

很多情况下：

True

因为 Python 对一些小整数进行了缓存。

但是不要依赖这个。

比如：

a = 10000
b = 10000
print(a is b)

结果可能：

False

判断数字是否相等，用：

a == b

不要：

a is b

is 判断的是是不是同一个对象。

这个坑我在代码 review 里见过几次。

开发同学想优化比较，结果把 is 当成 == 用。

小数字测试没问题，上线换数据直接出问题。

---

最后补一个 Python2 和 Python3 数字类型最大的区别之一：

Python2：

print(5 / 2)

结果：

2

因为两个整数相除还是整数。

Python3：

print(5 / 2)

结果：

2.5

Python3 修改了除法行为。

如果想保持整数除法：

print(5 // 2)

结果：

2

这个变化迁移老项目时非常容易踩坑。

比如 Python2 代码：

page_count = total / page_size

以前默认得到整数。

迁移 Python3 后：

page_count = 10 / 3

直接变：

3.3333333333333335

后面的分页逻辑全部乱掉。

正确写法：

page_count = (total + page_size - 1) // page_size

比如：

total = 101
page_size = 20
pages = (total + page_size - 1) // page_size
print(pages)

输出：

6

这个写法在分页接口里很常见。

数字类型看起来简单，但真正写业务时，到处都是坑。

整数精度、浮点误差、类型转换、Python2 到 Python3 的行为变化，这些东西平时不出问题，一出问题往往都是线上。

代码能跑只是第一步，知道 Python 背后怎么处理这些数字对象，才不会在一些奇怪的问题上浪费时间。

以上就是“浅谈Python内置对象类型——数字篇（附py2和py3的区别之一）！”的详细内容，想要了解更多Python教程欢迎持续关注编程学习网。