用pandas.read_excel读取前需先用ExcelFile查看sheet名并显式指定sheet_name和header；比对时用merge+indicator标记来源，关键列要统一类型、去空格、处理空值；数值用isclose容差比较，文本需标准化；导出差异时记录原始位置信息。
用 pandas.read_excel 读取表格前先确认 sheet 名和数据结构
直接读 Excel 容易因默认 sheet_name=0 读错工作表，或忽略空行/标题行偏移。实际中两个文件的表头可能不完全一致（比如“订单号” vs “OrderID”），甚至列顺序不同——这时不能靠列位置比对，得靠列名对齐。
实操建议：
- 先用
pandas.ExcelFile查看所有 sheet：xl = pd.ExcelFile("a.xlsx")<br>print(xl.sheet_names) - 读取时显式指定
sheet_name和header（例如header=1表示第二行为列名） - 读入后立刻检查
df.columns.tolist()和df.shape，确认行列数、列名是否预期一致
用 merge + indicator=True 找出差异行
这是最稳的比对方式：把两个 DataFrame 按关键列（如 ID 或组合主键）合并，用 _merge 列标记来源（both/left_only/right_only），比手写循环或 compare() 更可控、更易调试。
常见错误现象：合并后结果为空，或差异行数量远超预期——大概率是关键列存在空值、类型不一致（比如一列为 int64，另一列为 object 含字符串"null"）或前后空格未清理。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 合并前统一处理关键列：
df["id"] = df["id"].astype(str).str.strip() - 用
how="outer"确保两边独有行都不丢失 - 示例：
diff = pd.merge(df1, df2, on=["id", "name"], how="outer", indicator=True)<br>only_in_a = diff[diff["_merge"] == "left_only"]<br>only_in_b = diff[diff["_merge"] == "right_only"]
数值或文本字段需单独处理精度与空值
Excel 中的数字常被读成 float，但原始值可能是整数；文本字段可能含不可见字符（\xa0、\t）或大小写混用。直接用 == 比较会漏掉这些“看似相同实则不同”的行。
实操建议：
- 数值列比对前先转为相同类型并设容差：
np.isclose(df1["price"], df2["price"], atol=1e-6) - 文本列统一小写 + 去首尾空格 + 替换常见空白符：
df["desc"].str.lower().str.strip().str.replace(r"[\s\u00A0]+", " ", regex=True) - 空值（
NaN）在 merge 或 == 中默认不相等，要用pandas.isna()单独判断是否“两边都是空”
导出差异结果时保留原始格式和定位信息
只导出差异数据不够——业务方常需要知道某行在原 Excel 的第几行、哪个 sheet、甚至带原单元格背景色。pandas 本身不存这些信息，所以必须在读取阶段就记录位置。
实操建议：
- 读取时加
keep_default_na=False防止把空字符串误转为NaN - 用
pd.read_excel(..., skiprows=0, nrows=1000)控制范围，并用df.index记录逻辑行号（注意跳过 header 后需 +1 或 +2） - 导出差异结果时，额外加两列：
source_file和excel_row，方便回溯 - 若需高亮样式，用
openpyxl写回 Excel，而不是仅用to_excel
merge 出来的“差异”可能全是噪音。 
