df1.columns.equals(df2.columns)可严格校验列名及顺序是否一致;若仅需判断列名集合是否相同(忽略顺序和大小写),可用set(df1.columns.str.lower()) == set(df2.columns.str.lower())。

对比列名和列顺序是否一致
最常见的情况是两个 DataFrame 看起来“差不多”,但列名拼写不同、大小写不一致,或顺序错位。直接用 df1.equals(df2) 会返回 False,但你不知道哪里不同。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 用
df1.columns.tolist()和df2.columns.tolist()分别转成列表再对比,比直接打印df.columns更容易发现空格、不可见字符 - 检查大小写:运行
set(df1.columns.str.lower()) == set(df2.columns.str.lower()),能快速判断是否只是大小写问题 - 顺序敏感时,用
df1.columns.equals(df2.columns)—— 它比==更严格,会同时校验顺序和值
检查每列的数据类型(dtype)是否匹配
即使列名相同,object 和 string(pandas 1.0+)、int64 和 Int64(可空整型)也会导致后续 merge 或 concat 出问题,但不会报错,只默默转换或填充 NaN。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 用
df1.dtypes和df2.dtypes对比,注意 pandas 1.3+ 默认启用string类型,老版本是object,别误判为不一致 - 对数值列,额外检查是否含空值:
df1[col].hasnansvsdf2[col].hasnans,因为Int64要求显式声明可空,而int64遇到NaN会自动升为float64 - 避免用
df.info()做自动化比对——它输出是字符串,不方便程序化判断
快速定位缺失列或多余列
当一个表有 user_id、amount,另一个多了 timestamp 或少了 amount,靠肉眼扫容易漏。
Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 找
df1有但df2没有的列:set(df1.columns) - set(df2.columns) - 找共有的列但类型不同:
[col for col in set(df1.columns) & set(df2.columns) if df1[col].dtype != df2[col].dtype] - 如果列名含语义前缀(如
src_user_id/dst_user_id),先统一清洗再比,比如用.str.replace(r'src_|dst_', '')
结构差异小但数据逻辑不一致怎么办
列名、类型、数量都一样,但实际含义错位了——比如 date 列在表 A 是业务日期,在表 B 是录入日期;或者 status 的枚举值定义不同('A'/'B' vs 'active'/'inactive')。这种没法靠 Pandas 自动发现。
实操建议:
立即学习“Python免费学习笔记(深入)”;
- 对关键文本列,跑个简单统计:
df1['status'].value_counts().to_dict()和df2['status'].value_counts().to_dict()并排看,常能暴露枚举值不一致 - 对时间列,检查
pd.api.types.is_datetime64_any_dtype(df[col])是否都为True,再确认df[col].dt.tz是否都为None或一致时区 - 别跳过业务上下文核对——结构脚本再准,也替代不了和下游确认字段定义
真正难的不是找出哪几列名字不一样,而是搞清“为什么不一样”:是上游改了 schema?ETL 脚本漏同步?还是测试数据手工补的字段?这些往往藏在变更记录或字段注释里,不在 DataFrame 本身。

















