浮点数比较与NaN值的挑战
在数据分析中，我们经常需要比较两个dataframe中特定列的值。当这些列包含浮点数时，直接使用==进行比较往往会因为浮点数的精度问题而导致不准确的结果。例如，0.1 + 0.2可能不严格等于0.3。此外，如果列中包含nan（not a number）值，默认情况下nan == nan的结果是false，这意味着两个dataframe中相同位置的nan值会被错误地计为差异，而这通常不是我们期望的行为。我们的目标是准确地找出那些数值上真正不同的行，同时忽略相同位置的nan值。
解决方案概述
为了克服这些挑战，我们将采用两步策略：
- 处理浮点数精度： 在比较之前，对浮点数列进行适当的四舍五入，以消除微小的精度差异。
- 高效比较与NaN处理： 使用Pandas提供的DataFrame.compare()方法来比较两个DataFrame，该方法能够智能地处理NaN值，默认情况下不会将相同位置的NaN视为差异。
处理浮点数精度
浮点数在计算机内部的表示方式决定了它们可能无法精确表示所有十进制小数。因此，即使逻辑上相等的两个浮点数，在直接比较时也可能被判定为不相等。解决这个问题最简单有效的方法是对浮点数进行四舍五入到相同的有效小数位数。
import pandas as pd
# 示例数据
d1 = {"col": [7.1, 2.0, 3.0, 4.0, None, 1.9, 1.3]}
d2 = {"col": [7.1, 2.5, 3.0, 4.0, None, 1.2, None]}
df1 = pd.DataFrame(d1)
df2 = pd.DataFrame(d2)
print("原始DataFrame 1:")
print(df1)
print("\n原始DataFrame 2:")
print(df2)
# 对浮点数列进行四舍五入，例如保留4位小数
df1["col"] = df1["col"].round(4)
df2["col"] = df2["col"].round(4)
print("\n四舍五入后的DataFrame 1:")
print(df1)
print("\n四舍五入后的DataFrame 2:")
print(df2)通过round(decimal_places)方法，我们可以将浮点数调整到所需的精度。选择合适的精度至关重要，它应根据数据的特性和业务需求来确定。
使用DataFrame.compare()进行比较
pandas.DataFrame.compare()方法是比较两个DataFrame的强大工具。它返回一个DataFrame，其中只包含两个原始DataFrame中不同的行和列。更重要的是，它默认处理NaN值的方式正是我们所期望的：如果两个DataFrame在相同位置都包含NaN，compare()不会将其视为差异并包含在结果中。只有当一个位置的值在两个DataFrame中都存在且不相等，或者一个存在而另一个是NaN时，它才会被报告为差异。
# 使用 compare 方法找出差异
# 默认情况下，compare 会在两个值都为 NaN 时不报告差异
comparison = df1.compare(df2)
print("\n差异比较结果:")
print(comparison)
# 统计差异的行数
# comparison DataFrame 的每一行代表一个差异的行
different_rows_count = len(comparison)
print(f"\n不同的行数: {different_rows_count}")输出示例:
col self other 1 2.0 2.5 5 1.9 1.2 6 1.3 NaN 不同的行数: 3
从输出结果可以看出：
- 第1行（索引为1）df1['col']为2.0，df2['col']为2.5，两者不同，被报告。
- 第5行（索引为5）df1['col']为1.9，df2['col']为1.2，两者不同，被报告。
- 第6行（索引为6）df1['col']为1.3，df2['col']为NaN，两者不同，被报告。
- 第4行（索引为4）df1['col']为NaN，df2['col']为NaN，两者相同，未被报告为差异，这正是我们期望的行为。
注意事项与总结
- 精度选择： round()方法中的小数位数应根据实际业务场景和数据特性仔细选择。过高的精度可能无法解决浮点数问题，过低的精度可能丢失有效信息。
- compare()的灵活性： compare()方法还有其他参数，如align_axis和keep_equal，可以根据更复杂的比较需求进行调整。但对于本教程中的场景，默认行为已足够。
- NaN处理： compare()方法在处理NaN值时表现出良好的行为，它将相同位置的NaN视为“无差异”，这避免了手动处理NaN的复杂性。如果需要将NaN与非NaN的比较也视为“无差异”，则需要更复杂的逻辑，例如先填充NaN。
- 性能考量： 对于非常大的DataFrame，compare()方法通常是高效的，因为它利用了Pandas底层的优化。
通过结合使用DataFrame.round()来标准化浮点数精度和DataFrame.compare()来智能地识别差异（包括对NaN值的正确处理），我们可以有效地解决DataFrame中浮点数列的比较难题，从而得到准确的差异行计数。这种方法既专业又易于实施，是处理此类数据比较任务的推荐实践。
