isin配合~是求DataFrame差集最直接的方式，因其支持基于列或索引的成员判断并取反筛选，不依赖索引对齐且比merge更轻量，但需注意空值处理、类型一致及大表性能优化。
为什么 isin 配合 ~ 是求 DataFrame 差集最直接的方式
因为 DataFrame 本身没有内置的 difference 方法，而行级差集（即 A 中有、B 中没有的行）本质上是“逐行判断是否在另一张表里”，isin 正好支持基于索引或列组合的成员判断，再用 ~ 取反就能筛出不在 B 中的 A 行。它不依赖索引对齐，也不强制重置索引，比 merge(..., indicator=True) 更轻量。
用 isin 前必须确保比较的是同一维度的键
常见错误是直接对整个 DataFrame 调用 isin：这会按列名广播比较，结果不可控。正确做法是明确指定用于判断的列（或索引），且两表对应列类型、空值处理要一致：
- 若按单列比较，如
df_a['id'].isin(df_b['id'])，需确认id列 dtype 相同（比如都是int64，而非一个为object存字符串 ID） - 若按多列联合判断，用
df_a[['col1', 'col2']].apply(tuple, axis=1).isin(df_b[['col1', 'col2']].apply(tuple, axis=1))—— 但注意NaN元组会被转成(nan, nan)，而pd.NA或None会导致isin返回False，建议先用df.fillna("MISSING")统一空值 - 更稳妥的多列方案是用
merge构造临时 key：df_a.assign(_key=df_a[['a','b']].astype(str).sum(axis=1)).query('_key not in @df_b.assign(_key=df_b[["a","b"]].astype(str).sum(axis=1))["_key"].tolist()')，但性能较差，仅作备选
~df_a[col].isin(df_b[col]) 筛出来的行可能比预期少
这不是 bug，而是 isin 对 NaN 的默认行为：任何与 NaN 的等值比较都返回 False，所以 NaN in [1,2,3] 是 False，但 NaN in [np.nan] 也是 False。这意味着：
-
df_a[col].isin([np.nan])永远返回全False数组 - 如果
df_b[col]含NaN，它不会被当作有效成员参与匹配，df_a中对应值为NaN的行仍可能被保留（取决于你是否想把NaN当作“相同”） - 解决办法：显式处理空值，例如
mask = df_a[col].isin(df_b[col].dropna()) | (df_a[col].isna() & df_b[col].isna().any())，再取反；或者统一填充后再比较
性能敏感时别在大表上用 apply(tuple)
当 df_a 和 df_b 都超过 10 万行，用 apply(tuple, axis=1) 构造可哈希键会显著拖慢速度，因为 Python 层循环 + 元组创建开销大。此时应优先走底层优化路径：
立即学习“Python免费学习笔记（深入）”；
- 用
pd.merge(df_a, df_b, on=['col1','col2'], how='left', indicator=True)，然后query('_merge == "left_only"')——merge底层用哈希表，比纯 Python 快数倍 - 若只关心某几列且数据类型规整（如全是数值），可用
np.isin加view技巧：arr_a = df_a[['x','y']].values.view([('f8', 8)]); arr_b = df_b[['x','y']].values.view([('f8', 8)]); df_a[~np.isin(arr_a, arr_b)]，但要求列顺序、类型、字节长度完全一致 - 记住：只要
df_b的比较列是唯一键，就先把df_b[col].unique()提前算好传给isin，避免重复去重
差集逻辑看似简单，但空值语义、类型隐式转换、大表哈希策略这三点，实际踩坑频率远高于代码行数所暗示的复杂度。
