Float32 | Float64 | BFloat16 类型

注意

如果您需要精确计算，特别是在处理需要高精度的金融或业务数据时，建议改用 Decimal 类型。

浮点数可能会导致不精确的结果，如下所示：

CREATE TABLE IF NOT EXISTS float_vs_decimal
(
   my_float Float64,
   my_decimal Decimal64(3)
)
ENGINE=MergeTree
ORDER BY tuple();

# Generate 1 000 000 random numbers with 2 decimal places and store them as a float and as a decimal
INSERT INTO float_vs_decimal SELECT round(randCanonical(), 3) AS res, res FROM system.numbers LIMIT 1000000;

SELECT sum(my_float), sum(my_decimal) FROM float_vs_decimal;

┌──────sum(my_float)─┬─sum(my_decimal)─┐
│ 499693.60500000004 │      499693.605 │
└────────────────────┴─────────────────┘

SELECT sumKahan(my_float), sumKahan(my_decimal) FROM float_vs_decimal;

┌─sumKahan(my_float)─┬─sumKahan(my_decimal)─┐
│         499693.605 │           499693.605 │
└────────────────────┴──────────────────────┘

ClickHouse 中的浮点类型在 C 语言中的等价类型如下：

Float32 — float。
Float64 — double。

ClickHouse 中的浮点类型具有以下别名：

Float32 — FLOAT、REAL、SINGLE。
Float64 — DOUBLE、DOUBLE PRECISION。

在创建表时，可以为浮点数指定数值参数（例如 FLOAT(12)、FLOAT(15, 22)、DOUBLE(12)、DOUBLE(4, 18)），但 ClickHouse 会忽略这些参数。

使用浮点数

浮点数运算可能会产生舍入误差。

SELECT 1 - 0.9

┌───────minus(1, 0.9)─┐
│ 0.09999999999999998 │
└─────────────────────┘

计算结果取决于计算方式（包括计算机系统的处理器类型和架构）。
浮点运算可能产生诸如无穷大（Inf）和“非数字值”（NaN）之类的结果。在处理计算结果时应考虑这一点。
当从文本解析浮点数时，结果可能并不是最接近的机器可表示数值。

NaN 和 Inf

与标准 SQL 相比，ClickHouse 支持以下几类浮点数：

Inf – 无穷大。

SELECT 0.5 / 0

┌─divide(0.5, 0)─┐
│            inf │
└────────────────┘

-Inf — 负无穷大。

SELECT -0.5 / 0

┌─divide(-0.5, 0)─┐
│            -inf │
└─────────────────┘

NaN — 表示“不是数字”（Not a Number）。

SELECT 0 / 0

┌─divide(0, 0)─┐
│          nan │
└──────────────┘

请参阅 ORDER BY 子句部分中关于 NaN 排序的规则。

集合语义中的 NaN 值

IEEE 754 标准规定，标量比较 NaN = NaN 会返回 false。 ClickHouse 对 = 运算符也遵循这一规则。

不过，NaN 并不是一个单一的值；凡是指数位全为 1 且尾数非零的位模式，都属于 NaN。不同的运算以及不同的 CPU 架构，可能会生成符号位不同或尾数载荷不同的 NaN 值。例如：

0./0. 会生成一个 NaN，其符号位在大多数 x86 平台上为 1。
字面量 nan 会生成一个符号位为 0 的 NaN。
在 PR #98230 之后，AArch64 NEON 路径中的 log 对负输入返回的 NaN，其符号位与 glibc 标量 log 的返回结果不同。

ClickHouse 中的哈希表按字节比较键，因此不同的 NaN 位模式会被哈希到不同的桶中，并在包括 DISTINCT、GROUP BY、uniqExact、countDistinct 以及基于 Float 键的等值 JOIN 在内的集合语义操作中被视为不同的值：

SELECT countDistinct(arrayJoin([0./0., nan, log(-1.)]));
-- May return 2 or 3 depending on architecture and build, even though all three inputs are NaN.

这与 IEEE 754 一致 (每个 NaN 都不等于任何其他值，包括其自身) ，但这可能会让人感到意外。如果需要让基于集合语义的操作将所有 NaN 值视为相等，请在查询中先将它们规范化：

-- Replace every NaN with a single canonical NaN value
SELECT countDistinct(if(isNaN(x), CAST('nan' AS Float64), x))
FROM (SELECT arrayJoin([0./0., nan, log(-1.)]) AS x);
-- Returns 1.

-- Or exclude NaN values from the set entirely
SELECT countDistinct(if(isNaN(x), NULL, x))
FROM (SELECT arrayJoin([0./0., nan, log(-1.)]) AS x);
-- Returns 0.

同样的方法也适用于 DISTINCT、GROUP BY 和 JOIN 中的键。

BFloat16

BFloat16 是一种 16 位浮点数数据类型，包含 8 位指数、1 位符号位和 7 位尾数位。
它在机器学习和 AI 应用中非常实用。

ClickHouse 支持 Float32 与 BFloat16 之间的相互转换，可以使用 toFloat32() 或 toBFloat16 函数来完成。

注意

大多数其他操作当前尚不支持。

使用浮点数​

NaN 和 Inf​

集合语义中的 NaN 值​

BFloat16​

使用浮点数

NaN 和 Inf

集合语义中的 NaN 值

BFloat16