我看安迪的回答這個問題Outputting difference in two Pandas dataframes side by side - highlighting the difference比較兩個DataFrames，
我有一個關於代碼的兩個問題，可惜我不尚未有50代表對答案進行評論，所以我希望我能得到一些幫助的具體問題這裏。
In [24]: changed = ne_stacked[ne_stacked]是做什麼用的？ 我不確定df1 = df [df]是幹什麼的，我似乎無法從熊貓文檔得到答案，請問有人可以向我解釋這一點嗎？
是np.where(df1 != df2)與pd.df.where(df1 != df2)相同。如果不是，有什麼區別？
問題1
ne_stacked是pd.Series即由True和False值指示其中df1和df2不相等。
ne_stacked[boolean_array]是通過消除的ne_stacked的行，其中boolean_array是False並保持的ne_stacked的行，其中boolean_array是True過濾系列ne_stacked一種方式。
恰巧ne_stacked也是一個布爾數組，所以可以用來過濾自己。爲什麼要這樣做？所以我們可以看到索引的值在我們過濾後是什麼。
所以ne_stacked[ne_stacked]是ne_stacked的子集，只有True的值。
問題2
np.where
np.where做兩件事情，如果你只通過有條件像np.where(df1 != df2)，你得到陣列的tuple，其中第一是所有的行指數的參考與tuple的第二個元素一起使用，它是對所有列索引的引用。我通常使用這樣
i, j = np.where(df1 != df2)
現在我可以在或在其中也有像
df.values[i, j]
或者我可以分配到這些細胞的差異df1所有元素df2得到
df.values[i, j] = -99
或許多其他有用的東西。
您也可以在所有的地方，在df1 != df2和99使用np.where爲IF，那麼，其他數組
np.where(df1 != df2, -99, 99)
要產生一個數組大小相同df1或df2，你必須-99休息。
df.where
在另一方面df.where評估布爾值的第一參數，並返回相同大小的一個目的是df，其中該評估以True的細胞保持其餘要麼np.nan或值在df.where
df1.where(df1 != df2)
或者
0的第二個參數傳遞df1.where(df1 != df2, -99)
他們是一樣的嗎？
顯然他們不是「相同」。但是你可以用它們同樣
np.where(df1 != df2, df1, -99)
應該是相同的
df1.where(df1 != df2, -99).values