在等式中

2^x = y ;  
x = log(y) / log(2)

因此，我想知道我们是否可以有一个二进制的对数制，

 2^1, 2^0, 2^(log(1/2) / log(2)), 2^(log(1/4) / log(2)), 2^(log(1/8) / log(2)),2^(log(1/16) / log(2)) ........

这也许能解决问题，所以如果你想把32.41写成二进制，那就是

2^5 + 2^(log(0.4) / log(2)) + 2^(log(0.01) / log(2))

Or

2^5 + 2^(log(0.41) / log(2))

(注意:我将在这里添加'b'来表示二进制数。其他数字均为十进制)

一种思考方法是用科学记数法。我们习惯看到用科学符号表示的数字，比如6.022141 * 10^23。浮点数内部使用类似的格式存储——尾数和指数，但使用2的幂而不是10。

你的61.0可以重写为1.90625 * 2^5，或者1.11101b * 2^101b加上尾数和指数。把它乘以10(移动小数点)，我们可以这样做:

(1.90625 * 2 ^ 5) * 1.25 * 2 ^ (3) = 2.3828125 * 2 ^ (8) = 1.19140625 * 2 ^ (9)

或者在二进制中用尾数和指数:

(1.1110b * 2^101b) * (1.01b * 2^11b) = (10.011000b * 2^1000b) = (1.0011000b * 2^1001b)

Note what we did there to multiply the numbers. We multiplied the mantissas and added the exponents. Then, since the mantissa ended greater than two, we normalized the result by bumping the exponent. It's just like when we adjust the exponent after doing an operation on numbers in decimal scientific notation. In each case, the values that we worked with had a finite representation in binary, and so the values output by the basic multiplication and addition operations also produced values with a finite representation.

现在，考虑一下我们如何用61除以10。我们先把尾数分成1.90625和1.25。小数是1.525，一个很短的数。但是如果我们把它转换成二进制呢?我们会用通常的方法来做——尽可能减去2的最大幂，就像把整数小数转换成二进制一样，但我们将使用2的负幂:

1.525         - 1*2^0   --> 1
0.525         - 1*2^-1  --> 1
0.025         - 0*2^-2  --> 0
0.025         - 0*2^-3  --> 0
0.025         - 0*2^-4  --> 0
0.025         - 0*2^-5  --> 0
0.025         - 1*2^-6  --> 1
0.009375      - 1*2^-7  --> 1
0.0015625     - 0*2^-8  --> 0
0.0015625     - 0*2^-9  --> 0
0.0015625     - 1*2^-10 --> 1
0.0005859375  - 1*2^-11 --> 1
0.00009765625...

哦哦。现在我们有麻烦了。原来，1.90625 / 1.25 = 1.525，用二进制表示时是一个重复分数:1.1110b / 1.01b = 1.10000110011…b我们的机器只有这么多位来容纳尾数，所以它们会四舍五入，假设超过某一点是零。当你用61除以10时，你看到的错误是:

1.100001100110011001100110011001100110011……B * 2^10b 而且,说: 1.100001100110011001100110b * 2^10b

正是尾数的舍入导致了我们与浮点值相关的精度损失。即使当尾数可以精确地表示(例如，当只是两个数字相加时)，如果在标准化指数后尾数需要太多数字来拟合，我们仍然会得到数字损失。

实际上，我们一直在做这样的事情，当我们把小数四舍五入到一个可管理的大小时，只给出它的前几位。因为我们用十进制表示结果，所以感觉很自然。但是如果我们四舍五入一个小数，然后把它转换成不同的底数，它看起来就像我们通过浮点四舍五入得到的小数一样难看。

你不能用二进制精确地表示0.1，就像你不能用传统的英国尺测量0.1英寸一样。

英国的尺子，就像二进制分数一样，都是关于一半的。你可以测量半英寸，或四分之一英寸(当然是一半)，或八分之一，或十六分之一，等等。

If you want to measure a tenth of an inch, though, you're out of luck. It's less than an eighth of an inch, but more than a sixteenth. If you try to get more exact, you find that it's a little more than 3/32, but a little less than 7/64. I've never seen an actual ruler that had gradations finer than 64ths, but if you do the math, you'll find that 1/10 is less than 13/128, and it's more than 25/256, and it's more than 51/512. You can keep going finer and finer, to 1024ths and 2048ths and 4096ths and 8192nds, but you will never find an exact marking, even on an infinitely-fine base-2 ruler, that exactly corresponds to 1/10, or 0.1.

不过，你会发现一些有趣的事情。让我们看看我列出的所有近似值，对于每一个近似值，明确地记录0.1是大是小:

现在，如果向下读最后一列，就会得到0001100110011。1/10的无限重复二进制分数是0.0001100110011，这不是巧合……

根(数学)原因是，当你处理整数时，它们是可数无限的。

这意味着，即使它们的数量是无限的，我们也可以“数出”序列中的所有项目，而不会跳过任何一项。这意味着，如果我们想要在列表中的第610000000000000th位置上得到一项，我们可以通过一个公式来计算它。

然而，实数是无限的。你不能说“给我位置610000000000000的真实数字”并得到一个答案。原因是，即使在0到1之间，当考虑浮点值时，也有无限个值。这同样适用于任何两个浮点数。

更多信息:

http://en.wikipedia.org/wiki/Countable_set

http://en.wikipedia.org/wiki/Uncountable_set

更新: 很抱歉，我似乎误解了这个问题。我的回答是关于为什么我们不能表示每一个真实的值，我没有意识到浮点数被自动归类为理性。

如果你有足够的空间，十进制数可以精确地表示出来——只是不能用浮点二进制数表示。如果您使用浮点小数点类型(例如System。. net中的十进制)，那么许多不能用二进制浮点数精确表示的值都可以被精确表示。

让我们从另一个角度来看——以10为基数，你可能会觉得舒服，你不能准确地表示1/3。这是0.3333333……(重复)。不能将0.1表示为二进制浮点数的原因与此完全相同。你可以表示3 9和27，但不是1/3 1/9或1/27。

问题是3是质数，不是10的因数。当你想将一个数乘以3时，这不是一个问题:你总是可以乘以一个整数而不会遇到问题。但是当你除以一个质数而不是底数的因数时，你就会遇到麻烦(如果你试图用1除以这个数，你就会遇到麻烦)。

虽然0.1通常被用作精确十进制数的最简单例子，它不能用二进制浮点数精确表示，但可以说0.2是一个更简单的例子，因为它是1/5，而5是导致十进制和二进制之间存在问题的素数。

边注:处理有限表示的问题:

Some floating decimal point types have a fixed size like System.Decimal others like java.math.BigDecimal are "arbitrarily large" - but they'll hit a limit at some point, whether it's system memory or the theoretical maximum size of an array. This is an entirely separate point to the main one of this answer, however. Even if you had a genuinely arbitrarily large number of bits to play with, you still couldn't represent decimal 0.1 exactly in a floating binary point representation. Compare that with the other way round: given an arbitrary number of decimal digits, you can exactly represent any number which is exactly representable as a floating binary point.

数字61.0确实有一个精确的浮点运算——但这并不是对所有整数都适用。如果您编写了一个循环，将一个双精度浮点数和一个64位整数都加了1，最终您将达到这样的情况:64位整数完美地表示一个数字，而浮点数却不能——因为没有足够的有效位。

只是在小数点右边求近似值要容易得多。如果你把所有的数字都写成二进制浮点数，这就更有意义了。

另一种思考的方式是，当你注意到61.0完全可以用10为底表示时，移动小数点并不会改变这一点，你是在执行10的幂乘法(10^1,10^-1)。在浮点数中，乘以2的幂并不影响数字的精度。试着用61.0反复除以3来说明一个非常精确的数字是如何失去它的精确表示的。