Float32 | Float64 | BFloat16 类型

ClickHouse 中浮点数据类型的文档：Float32、 Float64 和 BFloat16

如果你需要精确计算，尤其是在处理需要高精度的金融或业务数据时，建议改用 Decimal。

如下所示，浮点数 可能会导致结果不准确：

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

# 生成 1 000 000 个保留 2 位小数的随机数，并分别以 float 和 decimal 形式存储
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 │
└────────────────────┴──────────────────────┘

下面列出了 ClickHouse 和 C 中对应的类型：

• Float32 — float.
• Float64 — double.

ClickHouse 中的 Float 类型有以下别名：

• Float32 — FLOAT, REAL, SINGLE.
• Float64 — DOUBLE, DOUBLE PRECISION.

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 (即计算机系统的处理器类型和架构) 。
• 浮点计算可能会产生无穷大 (Inf) 和“非数” (NaN) 之类的数值。处理计算结果时应考虑到这一点。
• 从文本中解析浮点数时，结果可能不是机器可表示的最接近值。

​

NaN 和 Inf

不同于标准 SQL，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 — 非数值。

SELECT 0 / 0

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

有关 NaN 排序规则，请参见ORDER BY 子句一节。

​

集合语义中的 NaN 值

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

不过，NaN 并不是某一个单独的值；凡是指数部分全为 1 且 尾数不为 0 的位模式，都属于 NaN。不同的操作以及不同的 CPU 架构都可能产生 具有不同符号位或不同尾数载荷的 NaN 值。例如：

• 0./0. 会产生一个 NaN，在大多数 x86 平台上其符号位为 1。
• 字面量 nan 会产生一个符号位为 0 的 NaN。
• 在 PR #98230 之后，AArch64 NEON 路径上的 log 在输入为负时返回的 NaN，其符号位与 glibc 的标量 log 不同。

ClickHouse 中的哈希表会按字节比较键，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，包括它自身) ， 但这可能会让人感到意外。如果你需要基于集合语义的操作将所有 NaN 值视为相等， 请在查询中将它们规范化：

-- 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 的键。

​

BFloat16

BFloat16 是一种 16 位浮点数据类型，由 8 位指数、符号位和 7 位尾数组成。 它适用于机器学习和 AI 应用。

ClickHouse 支持在 Float32 和 BFloat16 之间进行转换， 可使用 toFloat32() 或 toBFloat16 函数。

暂不支持大多数其他操作。