要将一个数字舍入为一个分辨率，最好的方法是以下方法，该方法可以适用于任何分辨率（两个小数或甚至其他步长为0.01）：

>>> import numpy as np
>>> value = 13.949999999999999
>>> resolution = 0.01
>>> newValue = int(np.round(value/resolution))*resolution
>>> print newValue
13.95

>>> resolution = 0.5
>>> newValue = int(np.round(value/resolution))*resolution
>>> print newValue
14.0

对于原始Python：

对于浮点到字符串转换的2个小数点：

a = 13.949999999999999
format(a, '.2f')

对于浮点到浮点转换的2个小数点：

a = 13.949999999999999
round(float(a), 2)
or
float(format(a, '.2f'))

Python教程有一个名为“浮点算术：问题和限制”的附录。阅读它。它解释了正在发生的事情以及为什么Python做得最好。它甚至有一个与您的示例相匹配的示例。让我引用一点：

>>> 0.10.10000000000000001您可能会尝试使用round（）函数将其切回单个您期望的数字。但这并不意味着差异：>>>圆形（0.1，1）0.10000000000000001问题是二进制文件为“0.1”存储的浮点值已经是最好的二进制了接近1/10，因此尝试再圆一次也不能让它变得更好：它已经很好了。另一个结果是，由于0.1不是十分之一，加十0.1的值可能不会产生精确的结果1.0，或者：>>>总和=0.0>>>对于范围（10）中的i：…总和+=0.1...>>>总和0.99999999999999989

解决问题的另一种方法是使用十进制模块。

TLDR；）

Python 3.1已经明确解决了输入和输出的舍入问题，该修复程序也被移植到Python 2.7.0。

舍入数字可以在浮点数和字符串之间来回转换：str->float（）->repr（）->float）。。。或Decimal->float->str->Decimal

>>> 0.3
0.3
>>> float(repr(0.3)) == 0.3
True

存储不再需要十进制类型。

算术运算的结果必须再次舍入，因为舍入误差可能累积的误差比解析一个数字后可能累积的更大。这不是通过改进的repr（）算法解决的（Python>=3.1，>=2.7.0）：

>>> 0.1 + 0.2
0.30000000000000004
>>> 0.1, 0.2, 0.3
(0.1, 0.2, 0.3)

在Python＜2.7x和＜3.1中，输出字符串函数str（float（…））被舍入为12个有效数字，以防止类似于未固定repr（）输出的无效数字过多。在减去非常相似的数字之后，这仍然是不够的，并且在其他操作之后，它被舍入得太多。Python 2.7和3.1使用相同长度的str（），尽管repr（）是固定的。一些旧版本的Numpy也有过多的无效数字，即使是固定的Python。当前Numpy是固定的。Python版本>=3.2中str（）和repr（）函数的结果相同，Numpy中也有类似函数的输出。

Test

import random
from decimal import Decimal
for _ in range(1000000):
    x = random.random()
    assert x == float(repr(x)) == float(Decimal(repr(x)))  # Reversible repr()
    assert str(x) == repr(x)
    assert len(repr(round(x, 12))) <= 14         # no excessive decimal places.

文档

请参阅发行说明Python 2.7-其他语言更改第四段：

在大多数平台上，浮点数和字符串之间的转换现在都可以正确舍入。这些转换发生在许多不同的地方：浮点和复数上的str（）；浮点和复杂的构造函数；数字格式；使用marshall、pickle和json模块对浮点数和复数进行序列化和反序列化；Python代码中浮点和虚文本的解析；以及十进制到浮点转换。与此相关，浮点数x的repr（）现在返回一个基于最短十进制字符串的结果，该字符串保证在正确舍入（使用舍入半到偶数模式）下舍入回x。之前它给出了一个基于将x舍入到17位小数的字符串。

相关问题

更多信息：Python 2.7之前的float格式类似于当前的numpy.float64。两种类型使用相同的64位IEEE 754双精度和52位尾数。一个很大的区别是np.fat64.__repr_经常使用过量的十进制数字进行格式化，因此不会丢失任何位，但在13.949999999999999和13.95000000000001之间不存在有效的IEEE 754数字。结果不好，转换repr（float（number_as_string））不能用numpy可逆。另一方面：浮动__repr_的格式使得每个数字都很重要；序列是无间隙的，并且转换是可逆的。简单地说：如果您可能有一个numpy.float64数字，请将其转换为普通浮点，以便为人类而不是数字处理器格式化，否则Python 2.7+就不需要更多了。

要计算，我使用函数截断值也许对你有帮助

import math


def truncate(number, digits) -> float:
    stepper = pow(10.0, digits)
    return math.trunc(stepper * number) / stepper


print(truncate((0.1 + 0.2), 2))

内置round（）在Python 2.7或更高版本中运行良好。

例子：

>>> round(14.22222223, 2)
14.22

查看文档。