具有NaNs相等性比较的Pandas DataFrames

Question

在单元测试某些功能的上下文中，我试图使用python pandas建立2个DataFrames的相等性：

ipdb> expect
                            1   2
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df
identifier                  1   2
timestamp
2012-01-01 00:00:00+00:00 NaN   3
2013-05-14 12:00:00+00:00   3 NaN

ipdb> df[1][0]
nan

ipdb> df[1][0], expect[1][0]
(nan, nan)

ipdb> df[1][0] == expect[1][0]
False

ipdb> df[1][1] == expect[1][1]
True

ipdb> type(df[1][0])
<type 'numpy.float64'>

ipdb> type(expect[1][0])
<type 'numpy.float64'>

ipdb> (list(df[1]), list(expect[1]))
([nan, 3.0], [nan, 3.0])

ipdb> df1, df2 = (list(df[1]), list(expect[1])) ;; df1 == df2
False

假设我要针对整个df （包括NaN职位）测试整个expect ，那么我在做什么错呢？

比较包含NaN的Series / DataFrames相等性的最简单方法是什么？

Answer 1

您可以将assert_frame_equals与check_names = False一起使用（以免检查索引/列的名称），如果它们不相等，则会引发：

In [11]: from pandas.testing import assert_frame_equal

In [12]: assert_frame_equal(df, expected, check_names=False)

您可以将其包装在具有以下内容的函数中：

try:
    assert_frame_equal(df, expected, check_names=False)
    return True
except AssertionError:
    return False

---

在最近的熊猫中，此功能已添加为.equals ：

df.equals(expected)

Answer 2

NaN的特性之一是NaN != NaN为True 。

查看此答案 ，以了解使用numexpr进行此操作的好方法。

(a == b) | ((a != a) & (b != b))

这样说（用伪代码）：

a == b or (isnan(a) and isnan(b))

因此， a等于b ，或者a和b均为NaN 。

如果帧较小，则assert_frame_equal可以。 但是，对于大帧（1000万行）， assert_frame_equal几乎没有用。 我不得不打断它，这花了很长时间。

In [1]: df = DataFrame(rand(1e7, 15))

In [2]: df = df[df > 0.5]

In [3]: df2 = df.copy()

In [4]: df
Out[4]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Columns: 15 entries, 0 to 14
dtypes: float64(15)

In [5]: timeit (df == df2) | ((df != df) & (df2 != df2))
1 loops, best of 3: 598 ms per loop

（大概）所需的单个bool值的timeit ，指示两个DataFrame是否相等：

In [9]: timeit ((df == df2) | ((df != df) & (df2 != df2))).values.all()
1 loops, best of 3: 687 ms per loop

Answer 3

就像@PhillipCloud的答案一样，但写得更多

In [26]: df1 = DataFrame([[np.nan,1],[2,np.nan]])

In [27]: df2 = df1.copy()

他们真的是等效的

In [28]: result = df1 == df2

In [29]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [30]: result
Out[30]: 
      0     1
0  True  True
1  True  True

df2中不存在的df2中的nan

In [31]: df2 = DataFrame([[np.nan,1],[np.nan,np.nan]])

In [32]: result = df1 == df2

In [33]: result[pd.isnull(df1) == pd.isnull(df2)] = True

In [34]: result
Out[34]: 
       0     1
0   True  True
1  False  True

您还可以填充一个您不知道的值

In [38]: df1.fillna(-999) == df1.fillna(-999)
Out[38]: 
      0     1
0  True  True
1  True  True

Answer 4

df.fillna(0) == df2.fillna(0)

您可以使用fillna() 。 这里的文档 。

from pandas import DataFrame

# create a dataframe with NaNs
df = DataFrame([{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}])
df2 = df

# comparison fails!
print df == df2

# all is well 
print df.fillna(0) == df2.fillna(0)

Answer 5

使用==和np.NaN进行的任何相等比较都为False，即使np.NaN == np.NaN也为False。

简单df1.fillna('NULL') == df2.fillna('NULL') ，如果'NULL'不是原始数据中的值，则df1.fillna('NULL') == df2.fillna('NULL') 。

为了安全起见，请执行以下操作：

示例a）比较两个具有NaN值的数据帧

bools = (df1 == df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = True
assert bools.all().all()

示例b）过滤df1中与df2不匹配的行

bools = (df1 != df2)
bools[pd.isnull(df1) & pd.isnull(df2)] = False
df_outlier = df1[bools.all(axis=1)]

（注意：这是错误的-bools [pd.isnull（df1）== pd.isnull（df2）] = False）