浮点数在许多情况下是近似值。一些整数（和小数）可以精确地用float表示，但大多数不能。参见Floating Point Arithmetic: Issues and Limitations。

>>> a = 1000000000000000000000000000
>>> a+1 == a
False
>>> a = 1000000000000000000000000000.0
>>> a+1 == a
True

由于浮点数的这种近似性质，一些计算可能会产生意想不到的结果（这与问题没有直接关系，但它很好地说明了这一点）：

>>> sum(1.1 for _ in range(9))
9.899999999999999

例如，当您处理货币计算时，最好使用整数或（如果速度不是问题）decimal module。

使用最适合其所用于的任务的数据类型非常重要。一个数据类型可能不适合不同的方式。例如，单个字节不适合用于人口计数，因为您不能计数超过255个个体。另一方面，浮点数是不合适的，因为许多可能的浮点值没有意义。例如，1.5是一个浮点值，作为计数没有任何意义。因此，使用适当大小的整数类型为我们提供了最佳选择。不需要执行健全性检查来清除无意义的值。
支持整数而不是浮点数的另一个原因是性能和效率。整数运算速度更快。对于给定的范围，整数占用的内存更少，因为整数不需要表示非整数值。
另一个原因是显示意图。当代码的读者看到您使用了一个整数时，该读者可以推断出该数量仅适用于整数值。

有各种历史原因适用于大多数语言：

• “不要使用你不需要的东西”的哲学许多程序不需要非整数值，但大量使用整数值，因此整数类型反映了问题域。
• 浮点运算曾经比整数运算昂贵得多。它仍然有点昂贵，但在Python中的很多情况下，你几乎不会注意到差异。
• 一个32位的IEEE浮点数只能表示2**24以下的所有整数，然后失去精度。16位浮点数（“半精度”）仅表示2048以内的所有整数。因此，对于16位和32位计算，当寄存器大小在性能和值范围之间施加严重的权衡时，float-for-everything使这种权衡变得更加严重。
• 8位整数类型（或平台上存在的任何字节大小）对于低级编程非常有用，因为它精确地Map到内存中可表示的任何数据。对于寄存器大小的整数类型也是如此，它在字而不是字节中工作时具有一些效率优势。这些是C中的（有符号和无符号）char和int类型。

还有一个特别针对Python的原因：

• 当计算超出其范围时，int类型自动升级为long，从而保持精度。float不会为了保持精确而变大。这两种行为在不同的情况下都很有用。

请注意，JavaScript不提供整数类型。JavaScript中唯一的内置数字是64位浮点数。因此，无论为什么整数类型是有益的，考虑没有它的Javascript如何发展都是有启发性的。

我目前能想到的原因有四个（我相信还有更多）：
1.内存：明智地选择数据类型会极大地影响内存需求（例如，大型数据库）。
1.速度：整数运算的硬件实现比浮点运算快得多（也简单）。
1.方案拟订做法。拥有数据类型可以强制执行更好的编程实践，因为程序员必须知道每个变量存储的数据类型。这也允许早期错误检测（编译时vs运行时）。
1.历史：内存曾经很昂贵（对于某些应用程序来说，在某些系统上仍然是如此）。