JS toFixed四舍五入不准的修正方法

为什么 toFixed 表现得“不准”？

很多开发者在使用 toFixed 时，会观察到如下现象：(1.005).toFixed(2) 的返回结果是 "1.00"，而 (1.055).toFixed(2) 返回的却是 "1.06"。按常理二者最后一位都是 5，应该都向上进位。

导致这一现象的原因有两个层次：第一层是 IEEE 754 双精度浮点数的二进制转换误差；第二层是 ECMAScript 规范对该算法制定的舍入规则。

图1：JavaScript 底层浮点数截断引发的舍入偏差原理

十进制小数在转成二进制时，大多数情况下是无限循环的。计算机内存只保留 53 位有效位（尾数部分），这意味着 1.005 在内存中实际存储的真值是 1.004999999999999893...。在这个真值上寻找小数点后第三位时，机器看到的实际上是 4 而不是 5，于是顺理成章地被舍去。

方法一：科学计数法放大法（推荐实用方案）

最简洁且不引入外部庞大类库的修正方式，是利用科学计数法字符串在做数值放大与缩小时避免精度漂移，并结合 Math.round 完成真正的四舍五入。

直接使用乘法 val * 100 依然可能会引起浮点精度溢出，而使用字符串重排或科学计数法 e 转换，则能安全完成位置平移。

图2：利用科学计数法升降幂修正四舍五入的完整执行流水线

具体实现的封装代码如下：

/**
 * 修正版四舍五入保留指定小数位
 * @param {number|string} num 待处理数字
 * @param {number} precision 保留小数位数
 * @returns {string} 处理完成的数字字符串
 */
function toFixedCorrect(num, precision = 0) {
  if (isNaN(num)) {
    throw new TypeError('传入的参数不是合法的数字');
  }
  // 利用指数标记法升幂，将判断位移动至小数点后第一位
  const powerPositive = `${num}e+${precision}`;
  const rounded = Math.round(Number(powerPositive));
  
  // 降幂回到原本数量级
  const powerNegative = `${rounded}e-${precision}`;
  
  // 最后调用一次 toFixed 保证末尾位数补零（例如 1.1 -> 1.10）
  return Number(powerNegative).toFixed(precision);
}

// 执行验证
console.log(toFixedCorrect(1.005, 2)); // 输出示例: "1.01"
console.log(toFixedCorrect(1.055, 2)); // 输出示例: "1.06"
console.log(toFixedCorrect(0.35, 1));  // 输出示例: "0.4"

方法二：极小值微调法（EPSILON 偏移）

如果你不想进行字符串拼装与二次转换，可以在做舍入前加上一个精度缓冲量。这个极小的缓冲值通常取 Number.EPSILON（即 1 与大于 1 的最小浮点数之间的差值）。

由于 1.005 实际落入内存时偏小了一点点（1.00499999999999989...），加上微小的偏移量即可将其修正为 1.0050000000000001，从而让 Math.round 正确执行向上的判断。

图3：引入微小偏移对处于舍入临界点数据的作用机制

该方案对应的精简代码实现：

function toFixedEpsilon(num, precision = 0) {
  const factor = Math.pow(10, precision);
  // 加 Number.EPSILON 抹平存储负误差
  return (Math.round((num + Number.EPSILON) * factor) / factor).toFixed(precision);
}

console.log(toFixedEpsilon(1.005, 2)); // 输出示例: "1.01"
console.log(toFixedEpsilon(2.005, 2)); // 输出示例: "2.01"

常见方案的适用性与对比

面对四舍五入需求，不同场景下对性能和精确度的要求不同。以下是几种常见处理手段的横向对比：

方案选型与落地决策

图4：不同业务场景下的四舍五入技术选型路径

归结起来，原生的 toFixed 并不适合直接用于对四舍五入有严格业务要求的场合。在多数常规前端应用中，直接替换为本文提供的“科学计数法升降幂函数”是综合改造成本最低、鲁棒性最强的解决方案；而对于复杂的金融核算，则应当在计算链路之初就引入专用精度工具库。