方法1：使用math模块（直接获取高精度值）
import math
print(math.pi)# 输出：3.141592653589793
方法2：蒙特卡洛方法（概率模拟）
import random
def monte_carlo_pi(n):
count = 0
for _ in range(n):
x, y = random.random(), random.random()
if x**2 + y**2 <= 1:
count += 1
return 4 * count / n
print(monte_carlo_pi(1000000))# 示例输出：3.141764（精度随迭代次数增加）
方法3：莱布尼茨级数（收敛较慢）
def leibniz_pi(iterations):
pi = 0
sign = 1
for i in range(1, iterations*2, 2):
pi += sign * (4 / i)
sign *= -1
return pi
print(leibniz_pi(1000000))# 约需要百万次迭代达到3.14159精度
方法4：Chudnovsky算法（高精度快速收敛）
from decimal import Decimal, getcontext
def chudnovsky_pi(precision):
getcontext().prec = precision+2
C = 426880 * Decimal(10005).sqrt()
M = 1
L = 13591409
X = 1
K = 6
S = L
for i in range(1, precision//14+1):
M = M * (K**3 - 16*K) // (i**3)
L += 545140134
X *= -262537412640768000
S += Decimal(M * L) / X
return C / S
print(chudnovsky_pi(100))# 计算100位精度
[*]蒙特卡洛法适合理解概率思想，但精度最低
[*]莱布尼茨级数简单但收敛缓慢
[*]Chudnovsky算法适合需要高精度的场景
[*]日常使用直接调用 math.pi 即可
注意：BBCode格式下无法显示代码高亮，实际使用时建议复制到Python环境中运行测试。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。
页:
[1]