我编写了一个从某些设备读取数据的套接字服务器。读取数据后，二进制移位应用于字节。之后，我得到一个整数值，例如repaint()，我想将此数字转换为IEEE 754 float 35.844417572021484。我在struct.unpack中找到了一些解决方案，但在我看来并不合理。首先我们将数字转换为字符串，然后转换为float。
Java中是否有像1108304047这样的简短方法。
我在struct.unpack中找到的解决方案很长。它包含字符串转换，子字符串提取，零填充等。
Float.intBitsToFloat(1108304047)答案 0 :(得分：2)
正如您在Java中所看到的，他们正在使用结构来实现这一目标。
/*
* Find the float corresponding to a given bit pattern
*/
JNIEXPORT jfloat JNICALL
Java_java_lang_Float_intBitsToFloat(JNIEnv *env, jclass unused, jint v)
{
union {
int i;
float f;
} u;
u.i = (long)v;
return (jfloat)u.f;
}
在Python中，不可能这样做，因此您需要使用struct library
此模块执行Python值和表示为Python字符串的C结构之间的转换
首先，该号码将转换为long
packed_v = struct.pack('>l', b)
然后解压缩到float
f = struct.unpack('>f', packed_v)[0]
这与Java类似。
def intBitsToFloat(b):
s = struct.pack('>l', b)
return struct.unpack('>f', s)[0]
如果我错了，请纠正我。
答案 1 :(得分：0)
ldexp和frexp分解为正数。如果您可以使用最多2 -16 的相对误差量，则可以仅使用基本算法和ld/frexp分解来表示变换的两侧。
请注意，这比结构黑客慢得多，结构黑客可以更简洁地表示为struct.unpack('f', struct.pack('I', value))。
这是分解方法。
def to_bits(x):
man, exp = math.frexp(x)
return int((2 * man + (exp + 125)) * 0x800000)
def from_bits(y):
y -= 0x3e800000
return math.ldexp(
float(0x800000 + y & 0x7fffff) / 0x1000000,
(y - 0x800000) >> 23)
虽然from_bits函数看起来更可怕，但它实际上只是to_bits的反函数，经过修改后我们只执行单个浮点除法（不是因为速度考虑，只是因为它当我们需要使用浮点数的机器表示时，应该是我们的心态。因此，我将专注于解释正向转型。
回想一下，（正）IEEE 754浮点数表示为偏置指数的元组及其尾数。低23位 m 是尾数，高8位 e （减去最高有效位，我们假设总是为零）代表指数，因此
x =（1 + m / 2 23 ）* 2 e - 127
让 man＆＃39> = m / 2 23 和 exp＆＃39; = e - 127，然后0＆lt; = man＆＃39; ＆lt; 1和 exp＆＃39; 是一个整数。因此
（ man＆＃39; + exp＆＃39; + 127）* 2 23
给出IEEE 754表示。
另一方面，frexp分解会计算一对man, exp = frexp(x)，以便 man * 2 exp = x，并且0.5＆lt; = man ＆lt; 1。
思考的一刻将表明 man＆＃39; = 2 * man - 1和 exp＆＃39; = exp - 1，因此它的IEEE机器表示是
（ man＆＃39; + exp＆＃39; + 127）* 0x800000 =（2 * man + exp < / em> + 125）* 0x800000
我们期望多少舍入错误？好吧，我们假设frexp在其分解中没有引入任何错误。不幸的是，这是不可能的，但我们可以放松这一点。
主要功能是计算2 * man + (exp + 125)。为什么？ 0x800000是2的完美幂，因此2的幂的浮点乘法几乎总是无损的（除非我们溢出），因为FPU只是将23 << 23添加到其机器表示中（没有触摸尾数，这是出现错误时）。同样，乘法2 * man也是无损的（类似于只将1 << 23添加到机器表示中）。此外，exp和125是整数，因此(exp + 125)也计算精确。
因此，我们只需分析m + e的错误行为，其中1＆lt; = m＆lt; 1和| e | ＆LT; 127.在最坏的情况下，m填充了所有23位（对应于m = 2 - 2 -22 ）和e = +/- 127.这里，这遗憾的是，它会破坏m的8个最低有效位，因为它必须将m（其指数范围为2 0 ）重新规范化为指数范围2 8 ，这意味着丢失8位。但是，由于尾数有24个有效位，因此我们实际上失去了2个 - （24 - 8）的精度，这是错误的上限。
在from_bits的类似推理中，您可以证明float(0x800000 + y & 0x7fffff)基本上是在计算操作（1.0f + m），其中m最多可能有23位因此，我们在2 0 的尺度上添加一个精确的数字，而另一个数字的尺度为2 -1 ，所以我们期望失去一位。这表明我们在向后转换中会产生高达2 -22 的相对误差。
这两个变换都会产生非常小的舍入，如果你向to_bits投入一个额外的乘法，你也可以把它的误差降到2 -22 。
不要在生产中这样做。
这只是一个看似有趣的聪明的浮动黑客。它并不意味着更多。