我觉得最简单的方法是使用format（）函数。

例如：

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

13.95

这将产生一个浮点数，作为四舍五入到两个小数点的字符串。

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))

Use:

float_number = 12.234325335563
round(float_number, 2)

这将返回；

12.23

说明：

round函数接受两个参数；要舍入的数字和要返回的小数位数。这里我返回了两位小数。

这很简单，比如：

使用十进制模块进行快速正确舍入的十进制浮点运算：d=十进制（10000000.0000009）为了实现舍入：d.quantite（十进制（'0.01'））将产生十进制（'10000000.00'）使上述干燥：def round_decimal（数字，指数='0.01'）：decimal_value=十进制（数字）return decimal_value.g量化（十进制（指数））或定义round_decimal（数字，小数位数=2）：decimal_value=十进制（数字）return decimal_value.g量化（十进制（10）**-decimal_places）

PS：对其他人的批评：格式不是舍入。

您可以修改输出格式：

>>> a = 13.95
>>> a
13.949999999999999
>>> print "%.2f" % a
13.95

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。