compare方法要求pandas≥1.1.0，低版本报AttributeError；需确保两DataFrame索引与列完全对齐，数值类型一致，浮点数需round或改用np.isclose容差比较，NaN需fillna统一处理。
compare方法在pandas 1.1.0+才可用，低版本会报
如果你的pandas低于1.1.0（比如1.0.5或更早），直接调用
会触发
。这不是写法错，是版本硬门槛。
升级是最直接的解法：
升级后验证版本：
确保输出 ≥
。旧项目若不能升级，得改用
逐元素比对 +
定位差异，但无法原生输出“变更前/后”结构。
必须保证两个DataFrame行列索引完全对齐，否则
静默丢行/列
默认只对比**索引和列名完全一致**的位置。如果
有索引
，
是
，那么索引
和
的行会被自动忽略，不报错也不警告——结果看似“没差异”，实则漏比。
实操前务必检查并统一结构：
立即学习
“
Python免费学习笔记（深入）
”；
用
和
确认布尔返回值为
若索引不等，先对齐：
（注意：这会引入
，需结合
参数控制）
数值类型也建议一致，比如
vs
可能导致
为
，但某些场景下你希望视为不同
默认只显示不同值，相同值被压缩；用
可保留全量
默认行为是“只汇报差异”，这对查问题很高效，但如果你需要完整对照表（比如生成审计报告），就得显式开启
。此时相同值会以双栏形式重复出现（
和
列值相同）。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
另一个关键参数是
：设为
时，即使某行/列全相同，也会保留空结构；设为
（默认）则直接剔除整行/列。调试时建议先开
，避免误判“没数据=没差异”。
示例调用：
返回的
是MultiIndex列的DataFrame，列名为
、
这种二元组，注意后续取列要按层级访问。
数值精度差异（如浮点误差）会导致大量“伪差异”，需预处理
直接比
和
会因浮点表示不同而标为差异。pandas的
不做容差判断，它走的是严格相等（
语义）。
解决办法分两层：
若数据源可控，在构造
/
时就做round：
若需动态容差，不能依赖
，改用
逐列计算布尔矩阵，再用
提取位置：
注意：
对
的处理是“
”，所以两个
会被标为差异——如果业务上认为它们相等，得提前用
统一替换
真正难的不是调用方法，而是想清楚“什么算差异”：是字节级相等？还是业务意义相等？后者永远需要你在
之外加一层逻辑。
AttributeErrordf1.compare(df2)AttributeError: 'DataFrame' object has no attribute 'compare'pip install --upgrade pandasimport pandas as pd; print(pd.__version__)1.1.0df1.eq(df2)stack()comparecomparedf1[0,1,2]df2[0,1,3]23df1.index.equals(df2.index)df1.columns.equals(df2.columns)Truedf2 = df2.reindex_like(df1)NaNkeep_shape=Trueint64float640 == 0.0Truecomparekeep_equal=Truekeep_equal=Trueselfotherkeep_shapeTrueFalsekeep_shape=Truediff = df1.compare(df2, keep_equal=True, keep_shape=True)diff('colA', 'self')('colA', 'other')0.1 + 0.20.3compare==df1df2df1 = df1.round(10); df2 = df2.round(10)comparenumpy.isclosewhereimport numpy as np; mask = ~np.isclose(df1, df2, atol=1e-8)compareNaNNaN != NaNNaNfillna()compare