前些日子在技术社区看到有人问“怎么把圆周率π算到小数点后10000位”底下一堆人贴现成答案、贴库调用但很少有人讲清楚背后的算法选型和精度控制。我前几年真动手写过一遍折腾了几个晚上才把最后一两位的误差搞定整个过程踩坑不少但也把数值计算里几个关键问题彻底搞明白了。这篇文章就从算法选择、高精度实现、结果验证到常见坑位一次说透代码直接能跑。适合正在学算法、想练Python或C高精度计算或者单纯好奇“10000位π到底怎么算出来”的朋友。1. 为什么选对算法比硬算更重要1.1 莱布尼茨级数数学漂亮工程灾难最早接触π的计算很多人都会看到这个公式π/4 1 - 1/3 1/5 - 1/7 1/9 - ...它就是莱布尼茨级数形式极其简洁每一项都是简单的分数加减看起来写个循环就能搞定。我第一次试的时候也是这么想的结果一跑就发现不对劲。这个级数的收敛速度慢到令人绝望你要想让误差小于10的负10000次方需要的项数大约是10的10000次方量级。这是什么概念就算全世界最顶尖的超算每秒能算10的18次方项跑到宇宙热寂也算不完。所以这里有个很核心的经验数值计算里算法选型永远是第一位的代码写得再快也救不了收敛速度差的数学公式。判断一个级数能不能用最简单的办法就是看它每一项衰减速度。莱布尼茨级数每一项只按1/(2k1)的速度衰减也就是说每增加一项误差只减少一点点这在高精度场景下完全不可行。而下面要说的Machin公式才是这类计算里兼顾可读性和效率的经典方案。1.2 Machin公式兼顾可读性与速度真正让我第一步跑通的是Machin公式π 16 × arctan(1/5) - 4 × arctan(1/239)这个公式背后的原理不复杂它利用了反正切函数的加法公式把一个大角度拆成两个小角度的组合然后用泰勒级数展开arctan。arctan(x)的泰勒展开是arctan(x) x - x³/3 x⁵/5 - x⁷/7 ...关键在于这里的x不是1而是1/5和1/239。x越小级数收敛越快。具体快到什么程度对arctan(1/5)来说从一项到下一项分母要乘25所以每一项大约能带来log10(25) ≈ 1.4位十进制精度对arctan(1/239)来说每一项能带来log10(239²) ≈ 4.76位精度。要算到10000位粗略估算一下前者需要大约7150项后者需要大约2100项加起来不到一万次迭代普通电脑几秒到几十秒就能算完。这个收敛速度虽然比不上那些专业算法但它的优势非常明显公式直观、推导简单、代码好写而且每一步都能算清楚误差范围。对于教学和日常练手来说它是“性价比”最高的选择。1.3 再往上Chudnovsky与BBP公式如果你接触过高精度π计算一定听过Chudnovsky算法。这个算法每迭代一项能产生大约14位十进制精度算10000位只需要几百次循环是目前很多库内部采用的方案。但它的公式推导涉及模椭圆函数数学背景要求高代码里涉及大整数阶乘和多次高精度乘除新手直接啃容易一头雾水。还有一个不得不提的是BBP公式它可以不计算前面的位直接算出π在十六进制下某一位的数值。这个特性特别适合用来做结果抽查你想验证第9000位附近算得对不对不用从头比对整串数字直接用BBP抽几个位置核对就行。我的建议是纯练手和理解原理用Machin公式追求极致性能或者要算到百万位以上再上Chudnovsky需要验证结果用BBP公式辅助。工具和算法没有绝对的好坏匹配场景才是关键。2. 高精度计算绕不开的三件事2.1 float到不了10000位很多人第一次写这个题目第一反应是用C语言里的double或者Python里的float来算。我最初也这么干过结果算到十几位之后全是乱码。原因很简单double类型只有53位二进制尾数换算成十进制大约只有15到17位有效数字。也就是说float和double能精确表达的也就是小数点后十几位想算10000位纯属无米之炊。正确思路是使用“任意精度”的数值类型。Python里最常用的是内置的decimal.Decimal它用十进制存储精度由你手动设置算10000位毫无压力。C则需要借助GMP、MPFR这类大数库。如果你既不想装库又想在Python里追求极致速度也可以直接用Python的整数类型配合手写十进制位移操作但代码复杂度会高不少。我自己的经验是第一步先把“用float硬算”这个念头丢掉第二步立刻切换到Decimal或者大整数思维否则后面所有调试都是在浪费时间。2.2 精度余量怎么留用decimal.Decimal的时候第一件事是设置全局精度getcontext().prec 10010这个数字不是随便拍的它等于目标位数10000再加上10位余量。为什么要留余量因为中间计算过程里每一次除法、乘法都会有舍入误差如果精度刚好设成10000算到后面末位会被污染倒腾半天你都不知道第10000位到底是几。多留10到20位相当于给误差留出了缓冲区最后再截断到10000位结果才是稳的。这个思路其实可以泛化到所有数值计算场景不管你是算π、算e、算平方根还是做其他高精度科学计算目标精度和计算精度之间一定要留出足够余量。这是我在实际项目中总结出的最实用经验之一。另外不要在循环里反复修改prec统一在开头设置一次即可否则既影响性能又容易出现精度错乱的问题。2.3 项数估算不是玄学Machin公式里到底循环多少项这也是很多人直接抄代码时最容易忽略的问题。项数不够末位精度不达标项数太多白白浪费时间。估算方法其实很简单。对于arctan(1/x)的泰勒级数第k项从0开始计数的绝对值大约是x的(2k1)次方分之一。要让这一项小于10的负N次方就需要满足x的(2k1)次方 10的N次方两边取对数后得到2k1 N / log10(x)我这里直接给个经验值目标10000位为了让第10000位稳定项数要比理论最小值再多几十项。我在下面的代码里用了一个简单公式自动计算项数比拍脑袋设一个固定大数要靠谱得多。3. 实操从零算出10000位π3.1 最稳方案Python decimal Machin公式直接上代码这是我折腾完之后保留的版本注释写得很详细照着敲就能跑import math from decimal import Decimal, getcontext DIGITS 10000 # 目标位数 EXTRA 10 # 额外精度余量 getcontext().prec DIGITS EXTRA def arctan_reciprocal(x, terms): 计算 arctan(1/x)使用泰勒级数 arctan(t) t - t^3/3 t^5/5 - t^7/7 ... 这里输入的是 x实际代入 t1/x。 x Decimal(x) x2 x * x term Decimal(1) / x # 第一项 t total term for k in range(1, terms): term / x2 # 每次除以 x^2相当于从 t^(2k-1) 到 t^(2k1) if k % 2 1: total - term / (2 * k 1) else: total term / (2 * k 1) return total # 估算项数对 1/5 收敛最慢按它算即可覆盖 1/239 # 公式来源2k1 DIGITS / log10(5)再留 40 项余量 TERMS int(DIGITS / math.log10(5) / 2) 40 # Machin 公式pi 16*arctan(1/5) - 4*arctan(1/239) pi 16 * arctan_reciprocal(5, TERMS) - 4 * arctan_reciprocal(239, TERMS) # 打印时保留 3. 加 DIGITS 位小数 print(str(pi)[:DIGITS 2])这段代码的思路很直接先写一个通用的反正切函数然后用Machin公式组合。我实测下来在普通笔记本上运行大约需要十几秒主要时间消耗在decimal的高精度除法上。输出的结果会是一长串数字开头是3.1415926535...后面跟着将近10000位。有一点必须说明chner的舍入规则默认是“银行家舍入”ROUND_HALF_EVEN所以第10000位小数可能会和你从网上找到的某个版本最后一位略有差异这属于正常的舍入策略差异不代表算错了。3.2 一行流方案mpmath和sympy如果你只是想快速拿到结果不想纠结Machin公式的细节用现成库是最快的。Python的mpmath库内置了高精度π计算内部用的就是Chudnovsky算法一行搞定from mpmath import mp mp.dps 10000 # 设置十进制精度 print(mp.pi)输出会自动带上换行显示10000位π。sympy也有类似的接口from sympy import N, pi print(N(pi, 10001))注意这里传入的是10001因为N(pi, n)计算的是n位有效数字整数部分的“3”也算一位。这种一行流方案适合用来做交叉验证。我自己写代码的时候就是先用mpmath算出一份标准答案再和我手写的Machin公式实现结果逐位比对。如果两边完全一致说明代码基本靠谱如果末位有差异再回头检查舍入和余量设置。3.3 C高性能路线GMP/MPFR库简介Python的decimal在10000位这个量级还撑得住但如果你想突破到十万位、百万位或者只是习惯CMPFR库是更好的选择。MPFR提供了任意精度的浮点运算内置计算π的函数使用方式比想象中简单#include iostream #include mpfr.h int main() { // 10000位十进制大约需要 33220 个二进制位 // 公式bits ceil(decimal_digits * log2(10)) mpfr_t pi; mpfr_init2(pi, 33220); mpfr_const_pi(pi, MPFR_RNDN); mpfr_printf(%.10000Rf\n, pi); mpfr_clear(pi); return 0; }编译的时候需要链接mpfr和gmpg pi.cpp -lmpfr -lgmp -o pi跑起来的速度比Python版本快一个数量级几乎一瞬间就出结果。不过MPFR的安装和编译链配置比Python麻烦一些如果你想快速验证思路我建议先用Python搭起来真正需要性能了再上C。4. 结果校验与踩坑实录4.1 先用公开值做第一层校验花了几十秒算出来一长串数字怎么确定自己算的是对的第一层校验最简单前100位必须和公认值完全一致。我贴一下π的前100位你可以直接对比3.1415926535897932384626433832795028841971693993751058209749445923078164062862089986280348253421170679如果前100位都对说明算法和精度设置基本没问题。但如果后面某一位开始对不上就要检查是不是项数估算不准或者精度余量给少了。第二层校验更严谨用mpmath和decimal两种完全独立的算法算出结果然后做差看差值是否为零。我自己习惯把decimal手写结果转成字符串再转成mpmath的高精度浮点数最后和mpmath自带的pi相减from mpmath import mp mp.dps DIGITS 20 ref mp.pi mine mp.mpf(str(pi)) print(mine - ref)如果输出是0.0说明两份独立计算结果完全吻合基本可以放心了。如果输出一个很小的非零值说明至少有一份结果的末位出现了舍入差异需要进一步排查。4.2 末位飘移的常见原因我调试过程中遇到最多的现象是大部分位数都对但最后两位飘了。排查下来基本就三个原因。第一个原因是精度余量不够。如果getcontext().prec刚好设成10000而不是10010中间的舍入误差会直接影响最后两位。解决方法是多留10到20位算完再截断。第二个原因是循环项数不足。我最初为了省时间把TERMS设成6000结果发现第9990位左右开始出现偏差。后来按照公式重新估算发现对1/5至少需要约7150项6000项确实不够。第三个原因是舍入策略不同。decimal默认ROUND_HALF_EVEN而mpmath或者网上某些数据可能用的是“四舍五入”或直接截断这会导致最后一位差1。遇到这种情况先确认自己采用的舍入规则是什么再决定是否需要修正。4.3 性能优化杂谈算10000位Python版Machin公式跑十几秒其实已经很快了。但如果你觉得不够快或者想挑战更高的位数有几个优化方向可以试试。第一减少高精度运算次数。Machin公式核心是两个arctan级数每个级数内部有大量Decimal除法这是主要性能瓶颈。你可以把两个级数拆成两个独立进程或线程并行计算最后合并结果能节约大约一半时间。第二改用整数运算。Decimal除法虽然方便但速度远不如整数运算。高精度计算圈子里更专业的做法是直接用大整数表示小数通过位移和取模实现“手算除法”但代码复杂度会显著上升适合追求极致性能的人。第三如果只是想拿到结果直接用mpmath它内部用的是Chudnovsky算法10000位基本一两秒就出结果。工具选型上我现在的习惯是先问自己“我要的是理解原理还是拿到结果”前者用Machin手写后者直接上库。4.4 故障速查表现象大概率原因解决办法算到十几位后面全是乱码用了float或double改用Decimal或大整数运算第10000位最后一位不稳定精度余量不足getcontext().prec设为DIGITS10以上9990位之后开始对不上循环项数不够按公式重新估算TERMS结果和网上数据后几位不同舍入策略不同确认是四舍五入、银行家舍入还是截断程序跑得特别慢精度设置过大或项数冗余精度余量控制在10-20位项数按需计算打印出来只有几位没有设置decimal精度在代码开头调用getcontext().prec我把这些坑整理成表格之后后来再做类似的高精度计算任务基本照着表排查一遍就能定位问题效率比瞎猜高很多。最后再说句实在话。算π到10000位真正有价值的不是那一长串数字而是你对“浮点精度、级数收敛、舍入误差”这三个概念有了切身体感。后来我在工作中做金融计算、科学仿真凡是涉及高精度的地方第一反应都是先想清楚需要多少位、留多少余量、用什么算法这些全是那次折腾出来的经验。你要是也想练手建议从Machin公式起步然后拿mpmath交叉验证一遍最后可以试试再算一下自然常数e对比一下不同级数的收敛速度整个过程会非常有收获。
高精度计算圆周率π到10000位：算法选型、精度控制与工程实践
前些日子在技术社区看到有人问“怎么把圆周率π算到小数点后10000位”底下一堆人贴现成答案、贴库调用但很少有人讲清楚背后的算法选型和精度控制。我前几年真动手写过一遍折腾了几个晚上才把最后一两位的误差搞定整个过程踩坑不少但也把数值计算里几个关键问题彻底搞明白了。这篇文章就从算法选择、高精度实现、结果验证到常见坑位一次说透代码直接能跑。适合正在学算法、想练Python或C高精度计算或者单纯好奇“10000位π到底怎么算出来”的朋友。1. 为什么选对算法比硬算更重要1.1 莱布尼茨级数数学漂亮工程灾难最早接触π的计算很多人都会看到这个公式π/4 1 - 1/3 1/5 - 1/7 1/9 - ...它就是莱布尼茨级数形式极其简洁每一项都是简单的分数加减看起来写个循环就能搞定。我第一次试的时候也是这么想的结果一跑就发现不对劲。这个级数的收敛速度慢到令人绝望你要想让误差小于10的负10000次方需要的项数大约是10的10000次方量级。这是什么概念就算全世界最顶尖的超算每秒能算10的18次方项跑到宇宙热寂也算不完。所以这里有个很核心的经验数值计算里算法选型永远是第一位的代码写得再快也救不了收敛速度差的数学公式。判断一个级数能不能用最简单的办法就是看它每一项衰减速度。莱布尼茨级数每一项只按1/(2k1)的速度衰减也就是说每增加一项误差只减少一点点这在高精度场景下完全不可行。而下面要说的Machin公式才是这类计算里兼顾可读性和效率的经典方案。1.2 Machin公式兼顾可读性与速度真正让我第一步跑通的是Machin公式π 16 × arctan(1/5) - 4 × arctan(1/239)这个公式背后的原理不复杂它利用了反正切函数的加法公式把一个大角度拆成两个小角度的组合然后用泰勒级数展开arctan。arctan(x)的泰勒展开是arctan(x) x - x³/3 x⁵/5 - x⁷/7 ...关键在于这里的x不是1而是1/5和1/239。x越小级数收敛越快。具体快到什么程度对arctan(1/5)来说从一项到下一项分母要乘25所以每一项大约能带来log10(25) ≈ 1.4位十进制精度对arctan(1/239)来说每一项能带来log10(239²) ≈ 4.76位精度。要算到10000位粗略估算一下前者需要大约7150项后者需要大约2100项加起来不到一万次迭代普通电脑几秒到几十秒就能算完。这个收敛速度虽然比不上那些专业算法但它的优势非常明显公式直观、推导简单、代码好写而且每一步都能算清楚误差范围。对于教学和日常练手来说它是“性价比”最高的选择。1.3 再往上Chudnovsky与BBP公式如果你接触过高精度π计算一定听过Chudnovsky算法。这个算法每迭代一项能产生大约14位十进制精度算10000位只需要几百次循环是目前很多库内部采用的方案。但它的公式推导涉及模椭圆函数数学背景要求高代码里涉及大整数阶乘和多次高精度乘除新手直接啃容易一头雾水。还有一个不得不提的是BBP公式它可以不计算前面的位直接算出π在十六进制下某一位的数值。这个特性特别适合用来做结果抽查你想验证第9000位附近算得对不对不用从头比对整串数字直接用BBP抽几个位置核对就行。我的建议是纯练手和理解原理用Machin公式追求极致性能或者要算到百万位以上再上Chudnovsky需要验证结果用BBP公式辅助。工具和算法没有绝对的好坏匹配场景才是关键。2. 高精度计算绕不开的三件事2.1 float到不了10000位很多人第一次写这个题目第一反应是用C语言里的double或者Python里的float来算。我最初也这么干过结果算到十几位之后全是乱码。原因很简单double类型只有53位二进制尾数换算成十进制大约只有15到17位有效数字。也就是说float和double能精确表达的也就是小数点后十几位想算10000位纯属无米之炊。正确思路是使用“任意精度”的数值类型。Python里最常用的是内置的decimal.Decimal它用十进制存储精度由你手动设置算10000位毫无压力。C则需要借助GMP、MPFR这类大数库。如果你既不想装库又想在Python里追求极致速度也可以直接用Python的整数类型配合手写十进制位移操作但代码复杂度会高不少。我自己的经验是第一步先把“用float硬算”这个念头丢掉第二步立刻切换到Decimal或者大整数思维否则后面所有调试都是在浪费时间。2.2 精度余量怎么留用decimal.Decimal的时候第一件事是设置全局精度getcontext().prec 10010这个数字不是随便拍的它等于目标位数10000再加上10位余量。为什么要留余量因为中间计算过程里每一次除法、乘法都会有舍入误差如果精度刚好设成10000算到后面末位会被污染倒腾半天你都不知道第10000位到底是几。多留10到20位相当于给误差留出了缓冲区最后再截断到10000位结果才是稳的。这个思路其实可以泛化到所有数值计算场景不管你是算π、算e、算平方根还是做其他高精度科学计算目标精度和计算精度之间一定要留出足够余量。这是我在实际项目中总结出的最实用经验之一。另外不要在循环里反复修改prec统一在开头设置一次即可否则既影响性能又容易出现精度错乱的问题。2.3 项数估算不是玄学Machin公式里到底循环多少项这也是很多人直接抄代码时最容易忽略的问题。项数不够末位精度不达标项数太多白白浪费时间。估算方法其实很简单。对于arctan(1/x)的泰勒级数第k项从0开始计数的绝对值大约是x的(2k1)次方分之一。要让这一项小于10的负N次方就需要满足x的(2k1)次方 10的N次方两边取对数后得到2k1 N / log10(x)我这里直接给个经验值目标10000位为了让第10000位稳定项数要比理论最小值再多几十项。我在下面的代码里用了一个简单公式自动计算项数比拍脑袋设一个固定大数要靠谱得多。3. 实操从零算出10000位π3.1 最稳方案Python decimal Machin公式直接上代码这是我折腾完之后保留的版本注释写得很详细照着敲就能跑import math from decimal import Decimal, getcontext DIGITS 10000 # 目标位数 EXTRA 10 # 额外精度余量 getcontext().prec DIGITS EXTRA def arctan_reciprocal(x, terms): 计算 arctan(1/x)使用泰勒级数 arctan(t) t - t^3/3 t^5/5 - t^7/7 ... 这里输入的是 x实际代入 t1/x。 x Decimal(x) x2 x * x term Decimal(1) / x # 第一项 t total term for k in range(1, terms): term / x2 # 每次除以 x^2相当于从 t^(2k-1) 到 t^(2k1) if k % 2 1: total - term / (2 * k 1) else: total term / (2 * k 1) return total # 估算项数对 1/5 收敛最慢按它算即可覆盖 1/239 # 公式来源2k1 DIGITS / log10(5)再留 40 项余量 TERMS int(DIGITS / math.log10(5) / 2) 40 # Machin 公式pi 16*arctan(1/5) - 4*arctan(1/239) pi 16 * arctan_reciprocal(5, TERMS) - 4 * arctan_reciprocal(239, TERMS) # 打印时保留 3. 加 DIGITS 位小数 print(str(pi)[:DIGITS 2])这段代码的思路很直接先写一个通用的反正切函数然后用Machin公式组合。我实测下来在普通笔记本上运行大约需要十几秒主要时间消耗在decimal的高精度除法上。输出的结果会是一长串数字开头是3.1415926535...后面跟着将近10000位。有一点必须说明chner的舍入规则默认是“银行家舍入”ROUND_HALF_EVEN所以第10000位小数可能会和你从网上找到的某个版本最后一位略有差异这属于正常的舍入策略差异不代表算错了。3.2 一行流方案mpmath和sympy如果你只是想快速拿到结果不想纠结Machin公式的细节用现成库是最快的。Python的mpmath库内置了高精度π计算内部用的就是Chudnovsky算法一行搞定from mpmath import mp mp.dps 10000 # 设置十进制精度 print(mp.pi)输出会自动带上换行显示10000位π。sympy也有类似的接口from sympy import N, pi print(N(pi, 10001))注意这里传入的是10001因为N(pi, n)计算的是n位有效数字整数部分的“3”也算一位。这种一行流方案适合用来做交叉验证。我自己写代码的时候就是先用mpmath算出一份标准答案再和我手写的Machin公式实现结果逐位比对。如果两边完全一致说明代码基本靠谱如果末位有差异再回头检查舍入和余量设置。3.3 C高性能路线GMP/MPFR库简介Python的decimal在10000位这个量级还撑得住但如果你想突破到十万位、百万位或者只是习惯CMPFR库是更好的选择。MPFR提供了任意精度的浮点运算内置计算π的函数使用方式比想象中简单#include iostream #include mpfr.h int main() { // 10000位十进制大约需要 33220 个二进制位 // 公式bits ceil(decimal_digits * log2(10)) mpfr_t pi; mpfr_init2(pi, 33220); mpfr_const_pi(pi, MPFR_RNDN); mpfr_printf(%.10000Rf\n, pi); mpfr_clear(pi); return 0; }编译的时候需要链接mpfr和gmpg pi.cpp -lmpfr -lgmp -o pi跑起来的速度比Python版本快一个数量级几乎一瞬间就出结果。不过MPFR的安装和编译链配置比Python麻烦一些如果你想快速验证思路我建议先用Python搭起来真正需要性能了再上C。4. 结果校验与踩坑实录4.1 先用公开值做第一层校验花了几十秒算出来一长串数字怎么确定自己算的是对的第一层校验最简单前100位必须和公认值完全一致。我贴一下π的前100位你可以直接对比3.1415926535897932384626433832795028841971693993751058209749445923078164062862089986280348253421170679如果前100位都对说明算法和精度设置基本没问题。但如果后面某一位开始对不上就要检查是不是项数估算不准或者精度余量给少了。第二层校验更严谨用mpmath和decimal两种完全独立的算法算出结果然后做差看差值是否为零。我自己习惯把decimal手写结果转成字符串再转成mpmath的高精度浮点数最后和mpmath自带的pi相减from mpmath import mp mp.dps DIGITS 20 ref mp.pi mine mp.mpf(str(pi)) print(mine - ref)如果输出是0.0说明两份独立计算结果完全吻合基本可以放心了。如果输出一个很小的非零值说明至少有一份结果的末位出现了舍入差异需要进一步排查。4.2 末位飘移的常见原因我调试过程中遇到最多的现象是大部分位数都对但最后两位飘了。排查下来基本就三个原因。第一个原因是精度余量不够。如果getcontext().prec刚好设成10000而不是10010中间的舍入误差会直接影响最后两位。解决方法是多留10到20位算完再截断。第二个原因是循环项数不足。我最初为了省时间把TERMS设成6000结果发现第9990位左右开始出现偏差。后来按照公式重新估算发现对1/5至少需要约7150项6000项确实不够。第三个原因是舍入策略不同。decimal默认ROUND_HALF_EVEN而mpmath或者网上某些数据可能用的是“四舍五入”或直接截断这会导致最后一位差1。遇到这种情况先确认自己采用的舍入规则是什么再决定是否需要修正。4.3 性能优化杂谈算10000位Python版Machin公式跑十几秒其实已经很快了。但如果你觉得不够快或者想挑战更高的位数有几个优化方向可以试试。第一减少高精度运算次数。Machin公式核心是两个arctan级数每个级数内部有大量Decimal除法这是主要性能瓶颈。你可以把两个级数拆成两个独立进程或线程并行计算最后合并结果能节约大约一半时间。第二改用整数运算。Decimal除法虽然方便但速度远不如整数运算。高精度计算圈子里更专业的做法是直接用大整数表示小数通过位移和取模实现“手算除法”但代码复杂度会显著上升适合追求极致性能的人。第三如果只是想拿到结果直接用mpmath它内部用的是Chudnovsky算法10000位基本一两秒就出结果。工具选型上我现在的习惯是先问自己“我要的是理解原理还是拿到结果”前者用Machin手写后者直接上库。4.4 故障速查表现象大概率原因解决办法算到十几位后面全是乱码用了float或double改用Decimal或大整数运算第10000位最后一位不稳定精度余量不足getcontext().prec设为DIGITS10以上9990位之后开始对不上循环项数不够按公式重新估算TERMS结果和网上数据后几位不同舍入策略不同确认是四舍五入、银行家舍入还是截断程序跑得特别慢精度设置过大或项数冗余精度余量控制在10-20位项数按需计算打印出来只有几位没有设置decimal精度在代码开头调用getcontext().prec我把这些坑整理成表格之后后来再做类似的高精度计算任务基本照着表排查一遍就能定位问题效率比瞎猜高很多。最后再说句实在话。算π到10000位真正有价值的不是那一长串数字而是你对“浮点精度、级数收敛、舍入误差”这三个概念有了切身体感。后来我在工作中做金融计算、科学仿真凡是涉及高精度的地方第一反应都是先想清楚需要多少位、留多少余量、用什么算法这些全是那次折腾出来的经验。你要是也想练手建议从Machin公式起步然后拿mpmath交叉验证一遍最后可以试试再算一下自然常数e对比一下不同级数的收敛速度整个过程会非常有收获。