昨天遇到math.fsum之问后，马上向一位师姐求解，经过师姐点拨，终于弄明白其中的玄奥。

问题重现及简化：

>>> math.fsum([0.1, 0.2])
0.30000000000000004

结论

先说结论，fsum函数的确是精确地浮点数求和，但是由于二进制计算的原因，结果总是会有误差，而fsum函数中的“精确”是指较高位有效数字的计算，并不是完全精确！事实上，即使是会计中精确计算用到的demical也不会完全精确。其中的种种，请往下看……

计算机内存中的二进制浮点数运算

大家都知道，计算机内存的数都是使用二进制表示的，比如，0.001在内存中表示为0/2 + 0/4 + 1/8（这里面的2、4、8应当理解为2的一次幂、两次幂、三次幂），但是很遗憾，大部分的数字都没法用二进制精确表示，这些数字用二进制表示的话会是一个无限循环小数。
既然是无限循环小数，那么怎么处理呢？计算机内存总是有限的。这个时候，一位科学家站出来了——Kahan教授，他发布了二进制浮点数算术标准IEEE 754。顺便提一句，IEEE 754的发明人Kahan教授也因此获得1987年的图灵奖。
IEEE 754是什么样的呢？跟咱们这相关的，简单来说，就是他规定了二进制的64位双精度表示法，其中又规定了一个浮点数的小数部分使用53位进行表示。因此：

>>> format(0.1,'.55f')
'0.1000000000000000055511151231257827021181583404541015625'
>>> format(0.2,'.55f')
'0.2000000000000000111022302462515654042363166809082031250'

这两个数53位二进制表示后的的精确和为0.3000000000000000166533453693773481063544750213623046875，而与该精确和最接近的可表示的IEEE 754浮点数为0.3000000000000000444089209850062616169452667236328125。又由于Python只显示17位十进制数，因此，就是我们看到的上面的问题。
昨天碰到的那些问题也是这个原因。
所以，从一开始我对fsum函数用于精确求解浮点数和中的“精确”就理解有误！看似结果出现了偏差，但那恰恰是经过高精度运算后的结果。

一点回味

终于是大概概搞懂了，但是心中仍然有很多疑问，比如如何求出0.1用双精度模型表示的数字呢？如何寻找与精确求和结果最接近的IEEE 754浮点数呢？……这些问题要全都搞明白，我想需要的不是一个很短的时间。所以，我暂且放下这些疑问，待日后有机会再一一求证！“路漫漫其修远兮，吾将上下而求索”
最后，感谢师姐的帮助，感谢网上大佬们的博客，受益匪浅！

参考文献

Python浮点算数：争议和限制
IEEE 754二进制浮点数算术标准
Python2 math.fsum不准确吗？
百度百科：IEEE 754