正如answer by kettlehell中所提到的，考虑一下PyPI包iteround。但是，它并没有在内部使用NumPy。

>>> from iteround import saferound
>>> saferound([1.0, 2.1, 3.6], places=0)
[1.0, 2.0, 4.0]

第一步是计算期望结果与实际总和之间的误差：

>>> error = originalTotal - sum(myRoundedList)
>>> error
0.01999999996041879

这个值可以是正的，也可以是负的。由于myRoundedList中的每一项都在实际值的0.005范围内，所以这个误差将小于原始数组中每一项的0.01。您可以简单地除以0.01，然后四舍五入，得到必须调整的项的数量：

>>> n = int(round(error / 0.01))
>>> n
2

现在剩下的就是选择要调整的项。最佳结果来自于调整那些最接近边界的值。您可以通过按原始值和舍入值之间的差进行排序来找到这些值。

>>> myNewList = myRoundedList[:]
>>> for _,i in sorted(((myOriginalList[i] - myRoundedList[i], i) for i in range(len(myOriginalList))), reverse=n>0)[:abs(n)]:
    myNewList[i] += math.copysign(0.01, n)

>>> myRoundedList
[27226.95, 193.06, 1764.31, 12625.86, 26714.68, 18970.35, 12725.41, 23589.93, 27948.4, 23767.83, 12449.81]
>>> myNewList
[27226.95, 193.06, 1764.31, 12625.86, 26714.68, 18970.359999999997, 12725.42, 23589.93, 27948.4, 23767.83, 12449.81]
>>> sum(myNewList)
187976.61

首先，你不应该用浮点数来存储货币（用小数来代替）。但是下面我提供了一些非常通用的解决方案--你需要存储、累加和使用舍入中的差值之和。- ）数字示例：

# define your accuracy
decimal_positions = 2

numbers = [27226.94982, 193.0595233, 1764.3094, 12625.8607, 26714.67907, 18970.35388, 12725.41407, 23589.93271, 27948.40386, 23767.83261, 12449.81318]
print round(sum(numbers),decimal_positions)
>>> 187976.61

new_numbers = list()
rest = 0.0
for n in numbers:
    new_n = round(n + rest,decimal_positions)
    rest += n - new_n
    new_numbers.append( new_n )

print sum(new_numbers)
>>> 187976.61

关于使用浮点数的所有注意事项：

delta_pence = int(np.rint((originalTotal - np.sum(myRoundedList))*100))
if delta_pence > 0:
    idx = np.argsort(myOriginalList - myRoundedList)[-delta_pence:]
    myRoundedList[idx] += 0.01
elif delta_pence < 0:
    idx = np.argsort(myOriginalList - myRoundedList)[:delta_pence]
    myRoundedList[idx] -= 0.01

>>> myRoundedList.sum()
187976.60999999999

我迟到了，但这里有一个通用的解决方案，与numpy一起工作，我发现它比本页提出的其他实现快100倍左右：

def round_retain_sum(x):
    x = x*100 # We want 2 decimal precision
    N = np.round(np.sum(x)).astype(int)
    y = x.astype(int)
    M = np.sum(y)
    K = N - M 
    z = y-x 
    if K!=0:
        idx = np.argpartition(z,K)[:K]
        y[idx] += 1     
    return y/100.