Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com9. Dezember 2025 · Q009993

Swift Decimal. A Little Hidden (For Me) Gem When Calculating Floating Points

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel zeigt anhand von Swift-Beispielen, dass `Float`- und `Double`-Rechnungen Rundungsabweichungen ergeben können, und empfiehlt für Dezimalbeträge `Decimal`. Laut den Beispielen hängt das Ergebnis davon ab, ob `Decimal` direkt aus einem `Double` oder aus dessen Zeichenkettendarstellung erzeugt wird; der kurze Beitrag liefert dazu keine umfassende Analyse.

Mittel

Itsuki beschreibt Rundungsabweichungen bei `Double` und `Float` in Swift: Die Rechnung 10,22 minus 10,02 kann beispielsweise Werte wie 0,20000000000000107 liefern; auch die Summe weicht leicht von 20,24 ab. Für Zahlungsbeträge empfiehlt der Autor `Decimal`. Seine Beispiele zeigen jedoch, dass es auf die Umwandlung ankommt: Aus den `Double`-Werten direkt erzeugte `Decimal`-Werte behalten laut Artikel Abweichungen. Werden die Werte dagegen erst als Zeichenketten dargestellt und daraus `Decimal` erstellt, ergeben die Beispiele 0,20 und 20,24.

Der Beitrag erklärt dies mit der unterschiedlichen Zahlendarstellung: Gleitkommazahlen seien binär, `Decimal` dezimal. Er nennt mehrere Wege, `Decimal` zu erzeugen, etwa aus Zeichenketten, Ganzzahlen oder Komponenten. Zum Schluss vermutet der Autor, Apples Verwendung von `NSDecimalNumber` für Apple Pay stehe mit der Genauigkeit von Geldbeträgen in Zusammenhang. Es handelt sich um einen kurzen Überblick mit wenigen Codebeispielen; eine umfassende Prüfung der Genauigkeit oder eine allgemeine Anleitung für Zahlungssoftware bietet der Bericht nicht.

Ausführlich lesen

Der kurze Artikel von Itsuki zeigt, wie binäre Gleitkommazahlen in Swift bei Dezimalbeträgen unerwartete Rundungsreste erzeugen können. Als Beispiel nennt der Autor `Double`-Rechnungen mit 10,22 und 10,02: Die Differenz erscheint als 0,20000000000000107 und die Summe als 20,240000000000002. Auch `Float` liefert abweichende Ergebnisse, hier 0,1999998 und 20,240002. Der Autor betont, dass solche Abweichungen bei gewöhnlichen Rechnungen oft kaum eine Rolle spielen könnten, bei Zahlungen aber jeder Cent wichtig sei.

Als Lösung empfiehlt der Beitrag `Decimal`. Entscheidend sei, wie der Dezimalwert erzeugt wird: Werden die `Double`-Werte zunächst in Zeichenketten umgewandelt und daraus `Decimal`-Werte erstellt, ergeben die Beispiele exakt 0,20 und 20,24. Eine direkte Umwandlung mit `Decimal(d1)` und `Decimal(d2)` übernimmt laut den gezeigten Ausgaben dagegen bereits Rundungsabweichungen und ergibt 0,200000000000002048 beziehungsweise 20,239999999999997952.

Zur Erklärung führt der Autor den Unterschied zwischen Zahlendarstellungen an: Gleitkommazahlen würden zur Basis 2 dargestellt, `Decimal` zur Basis 10. Anhand von Signifikand und Exponent für 10,02 vergleicht der Artikel die Darstellung als `Double` mit der direkt aus einer Zeichenkette erzeugten Dezimalzahl. Die Aussage des Beitrags lautet, dass der Fehler schon vorhanden sein kann, wenn ein `Decimal` aus einem `Double` erzeugt wird.

Zum Schluss listet der Autor verschiedene Erzeugungswege für `Decimal` auf: aus einem Wert, einem `Double`, einer Ganzzahl, einer Zeichenkette, einer Zeichenkette mit Gebietsschema oder aus einzelnen Komponenten. Der Beitrag vermutet außerdem, dass Apples Verwendung von `NSDecimalNumber` bei Apple-Pay-Elementen mit diesen Genauigkeitsfragen zusammenhängt.

Die Grenzen des Berichts: Er ist ausdrücklich als sehr kurzer Überblick angelegt und belegt seine Aussagen mit wenigen Swift-Beispielen. Eine umfassende Analyse von `Decimal`, Rundungsverfahren, weiteren Umwandlungsfällen oder der Eignung für Zahlungssoftware enthält er nicht. Die Vermutung zum Grund für Apples Einsatz von `NSDecimalNumber` wird als persönliche Überlegung formuliert, nicht nachgewiesen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurde die mittlere Zusammenfassung. Die Einordnung blieb leer, weil in der Aufgabe keine Sammel- oder Teilfragen angegeben sind. Die Abweichung bei der Differenz (0,20 statt 0.02 im Bericht) ist eine Übernahme des Fehlers aus dem Quelltext, die Luna nicht als solche kenntlich gemacht hat.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Vergleich von Significand und Exponent (1.2525 und 3 bei Double gegenüber 1002 und -2 bei Decimal aus dem String), der die Basis-2- gegenüber Basis-10-Darstellung belegt
  • Die konkreten Float-Ergebnisse (0.1999998 und 20.240002), die der Bericht als Beleg anführt
  • Die Motivation des Autors, dass bei Zahlungen jeder Cent zählt

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Im Bericht steht für die Zeichenketten-Variante der Differenz 0.02, Lunas Zusammenfassung nennt dagegen 0,20 (Abweichung vom Quelltext)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →