实际上，//的结果在数学上是正确的。
但是如果你只执行(a1 - a2) / b，你可以看到结果已经四舍五入到222.0（由于浮点存储限制，它应该是221.9999999999999936275），所以现在使用floor将返回222.0。
编辑：实际上对于//，首先a1-a2被舍入为226.44（而不是226.4399999999999935），然后226.44 // 1.02错误地返回221而不是222，因为@Talha Tayyab解释（x//y返回（x-x%y）//y）。
因此，有两个连续的舍入误差，它们相互补偿并落在正确的结果上。

如果x非常接近y的整数倍，则由于舍入，x//y可能比（x-x%y）//y大1。在这种情况下，Python返回后一个结果，以保持divmod（x，y）[0] * y + x % y非常接近x
链接到doc：
https://docs.python.org/3/reference/expressions.html#id10
的输出应该是：

3.3//1.1

3.0 right?

wrong it is 2.0

字符串
所以，当分子和分母的倍数非常接近时
x//y将返回(x-x%y)//y：

a1 = 226.72560000000001
a2 = 0.2856000000000165
b = 1.02

x = a1-a2
y = 1.02

(x-x%y)//y

#output
221.0

型

请记住，浮点运算可能很棘手，了解它的陷阱总是一个好主意。这不是Python或NumPy中的错误，而是浮点数的本质以及对它们进行的算术运算。
您正在观察的行为是由于不同浮点排序之间的准确性对比。
“漂移点”一词暗指这些数字在里面的说话方式。细微的元素是非常专业化的，但关键是这些数字是用固定的位数来表达的，你拥有的位数越多，你得到的精确度就越高。
Python（或NumPy等库）中的各种浮点数，如float16，float32和float64，分别使用16，32和64位的浮点数。
float64（也称为“双重精度漂移”）具有比float32（“单精度漂移”）更高的精度和更大的行程，而float32又具有比float16（“半精度浮点数”）更高的精度和更大的范围。
因此，在使用不同的浮点排序执行相同的计算之后，由于这些精确性的对比，您将得到一些不同的结果。这是数值计算中常见的问题，需要注意.
必须为您的特定使用情况选择正确的浮动类型。一般来说，float64可能是一个很好的默认选择，因为它在精度和内存利用率之间提供了很好的调整。但是，如果您正在处理异常庞大的数据集和内存利用率可能会引起关注，或者您正在支持float32或float16计算的GPU上执行计算，那么在这一点上，使用较低精度的漂移排序可能是有意义的。
这里有一小段代码来说明原因
这里有一段代码来说明原因：

import numpy as np

a1 = np.float16(226.72560000000001)
a2 = np.float16(0.2856000000000165)
b = np.float16(1.02)

a3= float(226.72560000000001)
a4 = float(0.2856000000000165)
b1 = float(1.02)

print((a3 - a4) // b1)
print((a1 - a2) // b)

print(np.floor((a3 - a4) / b1))
print(np.floor((a1 - a2) / b))

字符串
产出：

221.0
222.0
222.0
222.0

型
您可以更改浮动的类型以查看它如何影响结果。