3.3 数字编码 *¶
Tip
在本书中,标题带有 * 符号的是选读章节。如果你时间有限或感到理解困难,可以先跳过,等学完必读章节后再单独攻克。
3.3.1 原码、反码和补码¶
在上一节的表格中我们发现,所有整数类型能够表示的负数都比正数多一个,例如 byte 的取值范围是 \([-128, 127]\) 。这个现象比较反直觉,它的内在原因涉及原码、反码、补码的相关知识。
首先需要指出,数字是以“补码”的形式存储在计算机中的。在分析这样做的原因之前,首先给出三者的定义。
- 原码:我们将数字的二进制表示的最高位视为符号位,其中 \(0\) 表示正数,\(1\) 表示负数,其余位表示数字的值。
- 反码:正数的反码与其原码相同,负数的反码是对其原码除符号位外的所有位取反。
- 补码:正数的补码与其原码相同,负数的补码是在其反码的基础上加 \(1\) 。
图 3-4 展示了原码、反码和补码之间的转换方法。
图 3-4 原码、反码与补码之间的相互转换
图解 3-4:八位原码、反码与补码
比较正数与负数的转换,理解补码为何只有一种零表示。
图按原码、反码、补码分三行,对比 +0、+5、−0、−28,每项用 8 位二进制、每 4 位分组。原码与反码之间、反码与补码之间分别画有双向箭头;右侧文字给出负数从原码到反码、再到补码的正向规则。
| 数字 | 原码 | 反码 | 补码 |
|---|---|---|---|
| +0 | 0000 0000 | 0000 0000 | 0000 0000 |
| +5 | 0000 0101 | 0000 0101 | 0000 0101 |
| −0 | 1000 0000 | 1111 1111 | 0000 0000 |
| −28 | 1001 1100 | 1110 0011 | 1110 0100 |
最高位是符号位,+0 和 +5 的三码相同。负数先保留最高位 1、只对低 7 位取反得到反码,再加 1,保留低 8 位得到补码。表中的 −28 按此规则转换;反向则先将补码减 1,再保持符号位、对低 7 位取反,回到原码。−0 的反码 1111 1111 加 1 得到九位的 1 0000 0000,舍去最高进位后为 0000 0000,与 +0 相同,因此不能再从补码区分原先的正零与负零。
原码(sign-magnitude)虽然最直观,但存在一些局限性。一方面,负数的原码不能直接用于运算。例如在原码下计算 \(1 + (-2)\) ,得到的结果是 \(-3\) ,这显然是不对的。
为了解决此问题,计算机引入了反码(1's complement)。如果我们先将原码转换为反码,并在反码下计算 \(1 + (-2)\) ,最后将结果从反码转换回原码,则可得到正确结果 \(-1\) 。
另一方面,数字零的原码有 \(+0\) 和 \(-0\) 两种表示方式。这意味着数字零对应两个不同的二进制编码,这可能会带来歧义。比如在条件判断中,如果没有区分正零和负零,则可能会导致判断结果出错。而如果我们想处理正零和负零歧义,则需要引入额外的判断操作,这可能会降低计算机的运算效率。
与原码一样,反码也存在正负零歧义问题,因此计算机进一步引入了补码(2's complement)。我们先来观察一下负零的原码、反码、补码的转换过程:
在负零的反码基础上加 \(1\) 会产生进位,但 byte 类型的长度只有 8 位,因此溢出到第 9 位的 \(1\) 会被舍弃。也就是说,负零的补码为 \(0000 \; 0000\) ,与正零的补码相同。这意味着在补码表示中只存在一个零,正负零歧义从而得到解决。
还剩最后一个疑惑:byte 类型的取值范围是 \([-128, 127]\) ,多出来的一个负数 \(-128\) 是如何得到的呢?我们注意到,区间 \([-127, +127]\) 内的所有整数都有对应的原码、反码和补码,并且原码和补码之间可以互相转换。
然而,补码 \(1000 \; 0000\) 是一个例外,它并没有对应的原码。根据转换方法,我们得到该补码的原码为 \(0000 \; 0000\) 。这显然是矛盾的,因为该原码表示数字 \(0\) ,它的补码应该是自身。计算机规定这个特殊的补码 \(1000 \; 0000\) 代表 \(-128\) 。实际上,\((-1) + (-127)\) 在补码下的计算结果就是 \(-128\) 。
你可能已经发现了,上述所有计算都是加法运算。这暗示着一个重要事实:计算机内部的硬件电路主要是基于加法运算设计的。这是因为加法运算相对于其他运算(比如乘法、除法和减法)来说,硬件实现起来更简单,更容易进行并行化处理,运算速度更快。
请注意,这并不意味着计算机只能做加法。通过将加法与一些基本逻辑运算结合,计算机能够实现各种其他的数学运算。例如,计算减法 \(a - b\) 可以转换为计算加法 \(a + (-b)\) ;计算乘法和除法可以转换为计算多次加法或减法。
现在我们可以总结出计算机使用补码的原因:基于补码表示,计算机可以用同样的电路和操作来处理正数和负数的加法,不需要设计特殊的硬件电路来处理减法,并且无须特别处理正负零的歧义问题。这大大简化了硬件设计,提高了运算效率。
补码的设计非常精妙,因篇幅关系我们就先介绍到这里,建议有兴趣的读者进一步深入了解。
3.3.2 浮点数编码¶
细心的你可能会发现:int 和 float 长度相同,都是 4 字节 ,但为什么 float 的取值范围远大于 int ?这非常反直觉,因为按理说 float 需要表示小数,取值范围应该变小才对。
实际上,这是因为浮点数 float 采用了不同的表示方式。记一个 32 比特长度的二进制数为:
根据 IEEE 754 标准,32-bit 长度的 float 由以下三个部分构成。
- 符号位 \(\mathrm{S}\) :占 1 位 ,对应 \(b_{31}\) 。
- 指数位 \(\mathrm{E}\) :占 8 位 ,对应 \(b_{30} b_{29} \ldots b_{23}\) 。
- 分数位 \(\mathrm{N}\) :占 23 位 ,对应 \(b_{22} b_{21} \ldots b_0\) 。
二进制数 float 对应值的计算方法为:
转化到十进制下的计算公式为:
其中各项的取值范围为:
图 3-5 IEEE 754 标准下的 float 的计算示例
图解 3-5:单精度浮点数的位字段
把 32 位编码拆成符号、指数和分数,再计算对应的数值。
本例为 IEEE 754 单精度浮点数,共 4 字节。图中 32 个格子从左到右按位序 31 至 0 排列,括号分出橙色的符号 S、蓝色的指数 E 和绿色的分数 N。
下表先列字段及存储值。位序从最右端的第 0 位起计;图中的 b31、b30、b23、b22、b0 标在对应边界。
| 字段 | 位序 | 位数 | 本例二进制 | 解释 |
|---|---|---|---|---|
| 符号 S | 第 31 位 | 1 | 0 | 正号 |
| 指数 E | 第 30 位至第 23 位 | 8 | 01111100 | 存储指数为十进制 124 |
| 分数 N | 第 22 位至第 0 位 | 23 | 01100000000000000000000 | 前 3 位为 011,后 20 位为 0 |
E 位于 1 至 254 之间,按正规数公式求值:符号项为正 1;实际指数是 124 − 127 = −3,因此缩放项为 2 的 −3 次方,即 0.125。分数中只有小数点后第 2、3 位为 1,N = 2 的 −2 次方 + 2 的 −3 次方 = 0.375;加上隐含整数位 1,得到 1.375。三项相乘为 1 × 0.125 × 1.375 = 0.171875,与图右下角的结果一致。
正规数公式是 (−1)^S × 2^(E−127) × (1+N)。E 为 0 或 255 时,零、次正规数、无穷大及 NaN 使用专门规则,不能直接套此式。指数扩大表示范围,并不增加有效精度:正规数的 23 位分数加隐含的 1,共有 24 位二进制有效精度;绝对值越大,相邻可表示数通常越稀疏。
观察图 3-5 ,给定一个示例数据 \(\mathrm{S} = 0\) , \(\mathrm{E} = 124\) ,\(\mathrm{N} = 2^{-2} + 2^{-3} = 0.375\) ,则有:
现在我们可以回答最初的问题:float 的表示方式包含指数位,导致其取值范围远大于 int 。根据以上计算,float 可表示的最大正数为 \(2^{254 - 127} \times (2 - 2^{-23}) \approx 3.4 \times 10^{38}\) ,切换符号位便可得到最小负数。
尽管浮点数 float 扩展了取值范围,但其副作用是牺牲了精度。整数类型 int 将全部 32 比特用于表示数字,数字是均匀分布的;而由于指数位的存在,浮点数 float 的数值越大,相邻两个数字之间的差值就会趋向越大。
如表 3-2 所示,指数位 \(\mathrm{E} = 0\) 和 \(\mathrm{E} = 255\) 具有特殊含义,用于表示零、无穷大、\(\mathrm{NaN}\) 等。
表 3-2 指数位含义
| 指数位 E | 分数位 \(\mathrm{N} = 0\) | 分数位 \(\mathrm{N} \ne 0\) | 计算公式 |
|---|---|---|---|
| \(0\) | \(\pm 0\) | 次正规数 | \((-1)^{\mathrm{S}} \times 2^{-126} \times (0.\mathrm{N})\) |
| \(1, 2, \dots, 254\) | 正规数 | 正规数 | \((-1)^{\mathrm{S}} \times 2^{(\mathrm{E} -127)} \times (1.\mathrm{N})\) |
| \(255\) | \(\pm \infty\) | \(\mathrm{NaN}\) |
值得说明的是,次正规数显著提升了浮点数的精度。最小正正规数为 \(2^{-126}\) ,最小正次正规数为 \(2^{-126} \times 2^{-23}\) 。
双精度 double 也采用类似于 float 的表示方法,在此不做赘述。