Pandas 比较两个数据帧，具体问题

我读了安迪对这个问题的回答

我有两个关于代码的问题，不幸的是我还没有50个代表对答案发表评论，所以我希望我能在这里得到一些帮助

[24]：changed=ne_stacked[ne_stacked]中的

是做什么的？
我不确定df1=df[df]是做什么的，我似乎无法从熊猫医生那里得到答案，有人能给我解释一下吗

是

np.where（df1！=df2）

与

pd.df.where（df1！=df2）

相同。如果没有，有什么区别

---

问题1

ne_-stacked

是一个

pd系列

，由

True

和

False

值组成，这些值指示

df1

和

df2

不相等的位置

ne_stacked[boolean_array]

是一种过滤序列

ne_stacked

的方法，方法是消除

ne_stacked

中

boolean_array

为

False

的行，并保持

ne_stacked

中

boolean_array

为

True

的行

碰巧，

ne_-stacked

也是一个布尔数组，因此可以用来过滤自身。他为什么要这么做？所以我们可以在过滤后看到索引的值

因此

ne_stacked[ne_stacked]

是

ne_stacked

的子集，只有

True

值

问题2

np.其中

np.where

做两件事，如果你只传递一个类似于

np.where（df1！=df2）

的条件，你会得到一个数组的

元组，其中第一个是所有行索引的引用，与所有列索引的
元组的第二个元素一起使用。我通常是这样用的

i, j = np.where(df1 != df2)

现在我可以得到
df1
或
df2
的所有元素，它们之间有如下区别

df.values[i, j]

或者我可以分配给那些单元格

df.values[i, j] = -99

或者其他很多有用的东西

您还可以将
np.where
用作数组的if、then和else

np.where(df1 != df2, -99, 99)

在
df1！=其余部分为df2
和
99

df.where

另一方面，
df.where
计算布尔值的第一个参数，并将大小相等的对象返回到
df
，其中计算为
True
的单元格将保留，其余的单元格为
np.nan
或
df的第二个参数中传递的值。where

df1.where(df1 != df2)

或

它们是一样的吗？

显然，它们不是“相同的”。但是你可以用同样的方法

np.where(df1 != df2, df1, -99)

应与相同

df1.where(df1 != df2, -99).values

df1.where(df1 != df2, -99).values