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AttributeError
如果你的pandas低于1.1.0（比如1.0.5或更早），直接调用df1.compare(df2)会触发AttributeError: 'DataFrame' object has no attribute 'compare'。这不是写法错，是版本硬门槛。
升级是最直接的解法：
pip install --upgrade pandas升级后验证版本：
import pandas as pd; print(pd.__version__)确保输出 ≥
1.1.0。旧项目若不能升级，得改用df1.eq(df2)逐元素比对 + stack()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compare静默丢行/列
compare默认只对比**索引和列名完全一致**的位置。如果df1有索引[0,1,2]，df2是[0,1,3]，那么索引2和3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
df1.index.equals(df2.index)和df1.columns.equals(df2.columns)确认布尔返回值为True - 若索引不等，先对齐：
df2 = df2.reindex_like(df1)
（注意：这会引入NaN，需结合keep_shape=True参数控制） - 数值类型也建议一致，比如
int64vsfloat64可能导致0 == 0.0为True，但某些场景下你希望视为不同
compare默认只显示不同值，相同值被压缩；用keep_equal=True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keep_equal=True。此时相同值会以双栏形式重复出现（self和other列值相同）。
另一个关键参数是keep_shape：设为True时，即使某行/列全相同，也会保留空结构；设为False（默认）则直接剔除整行/列。调试时建议先开keep_shape=True，避免误判“没数据=没差异”。
示例调用：
diff = df1.compare(df2, keep_equal=True, keep_shape=True)返回的
diff是MultiIndex列的DataFrame，列名为('colA', 'self')、('colA', 'other')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0.1 + 0.2和0.3会因浮点表示不同而标为差异。pandas的compare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
df1/df2时就做round：df1 = df1.round(10); df2 = df2.round(10)
- 若需动态容差，不能依赖
compare，改用numpy.isclose逐列计算布尔矩阵，再用where提取位置：import numpy as np; mask = ~np.isclose(df1, df2, atol=1e-8)
- 注意：
compare对NaN的处理是“NaN != NaN”，所以两个NaN会被标为差异——如果业务上认为它们相等，得提前用fillna()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compare之外加一层逻辑。
