Python 有人能解释一下这段代码来识别两个数据帧之间的差异吗？

我在网上找到了这段代码，用于比较两个csv文件并打印差异，我不太确定前两行后面的逻辑，有人能解释一下吗，非常感谢。

resultBool

是一个

DataFrame.stack（）的结果

将名为

result\u 01

和

result\u 02

的两个csv文件的结果分解为

True

和

False

值的单列，列名现在堆叠为

多索引

，表示两者之间是否存在差异，

True

表示自

结果\u 01！=结果\u 02

resultdiff

通过传入

resultBool

来水平执行一个

pd.concat

，它将只保存上述

resultBool

的结果

之后，

resultdiff

将设置列

有关更多信息，您应该查看涉及的pandas函数，以及在每行代码之后打印数据帧，以查看发生了什么

---

resultBool

是一个

DataFrame.stack（）

的结果，它将名为

result\u 01

和

result\u 02

的两个csv文件的结果分解为

True

和

False

值的单列，列名称现在被堆叠为

multi-index

，表示两者之间是否存在差异，

True

表示自

结果\u 01！=结果\u 02

resultdiff

通过传入

resultBool

来水平执行一个

pd.concat

，它将只保存上述

resultBool

的结果

之后，

resultdiff

将设置列

有关更多信息，您应该查看涉及的pandas函数，以及在每行代码之后打印数据帧，以查看发生了什么

---

例如，让我们考虑下面两个新创建的数据帧：

将熊猫作为pd导入
#创建第一个数据帧
df1=pd.DataFrame（{“A”：[1,5,7,8]，
“B”：[5,8,4,3]，
“C”：[10,4,9,3]}）
#创建第二个数据帧
df2=pd.DataFrame（{“A”：[5,3,6,4]，
“B”：[11,2,4,3]，
“C”：[4,3,8,5]}）

它们看起来像这样：

表达式不等于

=仅返回一个新df，其中值不相等，且为真/假


stack
使用新索引重塑数据帧。更多信息


resultBool=（df1！=df2）.stack（）

上面的行将结果df（如第二张图所示）保存在变量中

下一行从原始数据帧中过滤掉所有假值


注意索引
2b
是如何丢失的，因为
resultBool
df中的值为false

这意味着此特定单元格的df1和df2中的值相等，因此结果为
=运算符为false

对于df2，我们也在做同样的事情，只是将结果水平连接起来。有关熊猫连接的更多信息


在上图中，“0”列表示df1中的值，“1”列表示df2中的值

最后，我们将这些列重命名为“output_01”和“output_02”：


最终的结果是一个新的DF突出显示在两个数据帧中不同的值。例如：
 < P>，让我们考虑下面两个新创建的数据帧：

将熊猫作为pd导入
#创建第一个数据帧
df1=pd.DataFrame（{“A”：[1,5,7,8]，
“B”：[5,8,4,3]，
“C”：[10,4,9,3]}）
#创建第二个数据帧
df2=pd.DataFrame（{“A”：[5,3,6,4]，
“B”：[11,2,4,3]，
“C”：[4,3,8,5]}）

它们看起来像这样：


表达式不等于
=仅返回一个新df，其中值不相等，且为真/假


stack
使用新索引重塑数据帧。更多信息


resultBool=（df1！=df2）.stack（）

上面的行将结果df（如第二张图所示）保存在变量中

下一行从原始数据帧中过滤掉所有假值


注意索引
2b
是如何丢失的，因为
resultBool
df中的值为false

这意味着此特定单元格的df1和df2中的值相等，因此结果为
=运算符为false

对于df2，我们也在做同样的事情，只是将结果水平连接起来。有关熊猫连接的更多信息


在上图中，“0”列表示df1中的值，“1”列表示df2中的值

最后，我们将这些列重命名为“output_01”和“output_02”：


最终结果是一个新的df，突出显示两个数据帧中不同的值。
嗨，Cecilia，请提供一个。没有什么特别的，只是确定在哪里
结果\u 01！=结果_02
，然后在存在差异的叠加df处进行计算。看一看HI Cecilia，请提供一个。没有什么特别的，只是确定结果在哪里结果_02
，然后在存在差异的叠加df处进行计算。您好，谢谢，但另一个答案更容易理解，我真的很感谢您的努力。晚上好。嗨，谢谢，但是另一个答案更容易理解，我真的很感谢你的努力。晚上好。
resultBool = (results_01 != results_02).stack() 
resultdiff = pd.concat([results_01.stack()[resultBool], results_02.stack()[resultBool]], axis=1)
resultdiff.columns=["output_01", "output_02"]