Python中int()是截断还是向下取整？负数取整避坑指南

图 1：Python 中 int() 截断与 math.floor() 向下取整的核心机制直观对照

一、核心概念辨析：向零截断 vs 向下取整

在日常编写 Python 代码时，许多开发者习惯用 int(x) 来去掉浮点数的小数部分，并顺理成章地将其称为“向下取整”。这种说法在正数范围内确实“碰巧成立”，但在数学与计算机底层规范中，两者有着明确且严格的定义区分：

• 向零截断（Truncation towards Zero）：舍弃数字的小数部分，向数轴上的原点 0 靠拢。对于正数而言，去除小数后数值变小（例如 3.7 -> 3）；但对于负数而言，去除小数后数值反而向右靠近 0，数值变大了（例如 -3.7 -> -3）。Python 内置的 int(x) 与标准库中的 math.trunc(x) 完全等价。
• 向下取整（Floor）：沿着数轴严格朝负无穷方向（-∞）寻找不大于该数字的最大整数。无论原数字是正还是负，取整后的结果均小于或等于原数。例如 3.7 向下取整为 3，而 -3.7 向下取整必须是 -4。在 Python 中，这由 math.floor(x) 以及整除运算符 // 实现。
• 向上取整（Ceil）：沿着数轴严格朝正无穷方向（+∞）寻找不小于该数字的最小整数。例如 3.2 向上取整为 4，-3.7 向上取整为 -3。由标准库 math.ceil(x) 实现。

为了直观验证这种差异，我们在 Python 交互式环境中执行如下对比代码：

import math

# 正数场景：int() 与 math.floor() 表面一致
print(int(3.7))           # 示例输出: 3
print(math.floor(3.7))     # 示例输出: 3

# 负数场景：int() 截断向 0 靠拢，math.floor() 沿数轴向左沉降
print(int(-3.7))          # 示例输出: -3 （注意：-3 比 -3.7 还要大！）
print(math.floor(-3.7))    # 示例输出: -4 （真正的不大于原数）
print(math.trunc(-3.7))    # 示例输出: -3 （math.trunc与int行为一致）

图 2：数轴上的取整路径对比：观察 -3.7 处 int() 与 floor() 的截然不同走向

二、负数取整的高频踩坑场景

很多开发者在编写代码时并不清楚自己的算法到底依赖“舍去小数”还是“区间向下对齐”，从而在负数输入出现时引发灾难性的逻辑偏差。以下是三个最经典的业务踩坑场景：

坑点 1：误以为 int(a / b) 等价于 a // b

在 C、C++ 或 Java 等静态语言中，整数除法 / 采用的是向零截断（即丢弃小数）。但 Python 在设计除法运算符时，优先考虑了数学上的周期性与余数一致性，因此 Python 的整除运算符 // 采用的是向下取整（Floor Division），而不是截断！

# 误区：认为 int(a / b) 和 a // b 永远等价
a, b = -7, 2

div_result = a / b             # 浮点除法: -3.5
int_result = int(a / b)        # 示例输出: -3 （向零截断）
floor_div_result = a // b      # 示例输出: -4 （向下取整）

print(f"int(a / b) = {int_result}")
print(f"a // b     = {floor_div_result}")

这个差异直接波及取模运算符 %。Python 保证恒等式 a == (a // b) * b + (a % b) 始终成立。正因为 -7 // 2 等于 -4，所以 -7 % 2 的结果是 1（因为 (-4) * 2 + 1 == -7）。如果你在公式中擅自用 int(a / b) 代替 a // b，计算出来的“商”乘以除数再加上余数，就无法还原被除数。

坑点 2：坐标系统与数据分桶中的“零号桶双倍宽”

在地理信息系统（GIS）、游戏地图瓦片、点云切片或直方图统计中，我们经常需要把浮点坐标映射为离散网格索引。例如每 10 个单位划为一个空间格子。如果开发者写出 bucket = int(x / 10)，就会在原点 0 附近出现严重的空间重叠 Bug：

• 区间 [0.0, 9.99] 经过 int(x / 10) 计算，结果均为 0（桶宽 10）；
• 区间 [-9.99, -0.0] 经过 int(x / 10) 计算，结果也全部为 0（桶宽 10）；

这就导致编号为 0 的网格实际覆盖了 (-10, 10) 整整 20 个单位跨度，原点左右两侧的物体全部被强行塞进了同一个格子，而其它所有桶的宽度却只有 10！

图 3：坐标网格划分对比：int() 导致的零号桶畸形扩容与 floor() 的均匀平铺

正确的做法是统一使用向下取整除法 bucket = int(math.floor(x / 10.0)) 或在整数坐标下直接使用 bucket = x // 10。此时，[-10, -0.0001] 映射到桶 -1，[0, 9.9999] 映射到桶 0，每个桶的宽度严格恒定为 10，完全平铺对称。

坑点 3：字符串负浮点数直接调用 int() 抛出异常

初学者在解析网络请求或文件字段时，常尝试将字符串 "-3.7" 直接喂给 int()，期望其完成转换并取整：

# 常见报错示例
val_str = "-3.7"
try:
    res = int(val_str)
except ValueError as e:
    print(f"捕获异常: {e}")
    # 示例输出: 捕获异常: invalid literal for int() with base 10: '-3.7'

三、Python 常用取整方法横向对比

为了让不同场景下的函数选择一目了然，下表列出了 Python 中五种常见取整手段在不同样本点下的运算结果：

图 4：取整函数业务选型全景决策树：清晰理清需求与对应实现

四、工程实战选择建议

结合真实业务需求，可以遵循以下四条选型准则：

1. 空间索引、时间分桶、分页逻辑：一律使用 math.floor() 或 a // b。只要场景涉及到“周期性平铺”或者“不能大于当前容量”，向下取整能保证在跨越零点（例如负坐标或公元前/1970年之前的负时间戳）时网格大小和周期跨度严格不变。
2. 单纯丢弃小数位、对接 C/C++ 协议结构体：使用 int(x) 或 math.trunc(x)。如果数据协议本身规定了向零截断（C 语言 (int)f 行为），使用 int() 可以保证跨语言序列化结果的一致。
3. 向上补齐预分配、容量备件计算：一律使用 math.ceil()。例如根据总任务数和批大小计算批次数：pages = math.ceil(total_count / page_size)。
4. 度量衡展示、金融临近舍入：使用 round()，或在金融场景直接使用 decimal.Decimal 配合明确的舍入模式（如 ROUND_HALF_UP），避免二进制浮点数 0.1 + 0.2 的微小精度扰动。