考虑下面四个百分比，用浮点数表示:
13.626332%
47.989636%
9.596008%
28.788024%
-----------
100.000000%
我需要用整数表示这些百分比。如果我简单地使用Math.round()，我最终得到的总数是101%。
14 + 48 + 10 + 29 = 101
如果我使用parseInt()，我最终得到了97%。
13 + 47 + 9 + 28 = 97
有什么好的算法可以将任何百分比数表示为整数，同时还保持总数为100%?
编辑:在阅读了一些评论和回答后，显然有很多方法可以解决这个问题。
在我看来，为了保持数字的真实性，“正确”的结果是最小化总体误差的结果，定义为相对于实际值会引入多少误差舍入:
value rounded error decision
----------------------------------------------------
13.626332 14 2.7% round up (14)
47.989636 48 0.0% round up (48)
9.596008 10 4.0% don't round up (9)
28.788024 29 2.7% round up (29)
在平局的情况下(3.33,3.33,3.33)可以做出任意的决定(例如3,4,3)。
如果你真的必须四舍五入，这里已经有了很好的建议(最大余数，最小相对误差，等等)。
也有一个很好的理由不四舍五入(你至少会得到一个“看起来更好”但“错误”的数字)，以及如何解决这个问题(警告你的读者)，这就是我所做的。
让我加上“错误”的数字部分。
假设你有三个事件/实体/…用一些百分比来近似:
DAY 1
who | real | app
----|-------|------
A | 33.34 | 34
B | 33.33 | 33
C | 33.33 | 33
稍后，值略有变化，为
DAY 2
who | real | app
----|-------|------
A | 33.35 | 33
B | 33.36 | 34
C | 33.29 | 33
第一个表有前面提到的“错误”数字的问题:33.34更接近33而不是34。
但现在误差更大了。与第2天和第1天相比，A的实际百分比值增加了0.01%，但近似值显示下降了1%。
这是一个定性错误，可能比最初的定量错误更严重。
你可以为整个集合设计一个近似值，但是，你可能必须在第一天发布数据，因此你不知道第二天的情况。所以，除非你真的，真的，必须近似，否则最好不要。
下面是@varun-vohra答案的一个简单的Python实现:
def apportion_pcts(pcts, total):
proportions = [total * (pct / 100) for pct in pcts]
apportions = [math.floor(p) for p in proportions]
remainder = total - sum(apportions)
remainders = [(i, p - math.floor(p)) for (i, p) in enumerate(proportions)]
remainders.sort(key=operator.itemgetter(1), reverse=True)
for (i, _) in itertools.cycle(remainders):
if remainder == 0:
break
else:
apportions[i] += 1
remainder -= 1
return apportions
你需要math, itertools, operator。
