大家好，Pandas DataFrame是具有标记行和列的二维数据结构。
有时我们需要对两个DataFrame进行逐个元素的比较。例如：
-
使用另一个DataFrame的值来更新其中的值。
-
比较数值，并选择较大或较小的值。
本文将介绍四个不同的Pandas函数，可以用于完成这些任务，并将通过实例来更好地理解它们之间的区别和相似之处。
首先，让我们创建两个DataFrame，用于在示例中使用。
import numpy as np
import pandas as pd
# 使用随机整数创建DataFrame
df1 = pd.DataFrame(np.random.randint(0, 10, size=(4, 4)), columns=list("ABCD"))
df2 = pd.DataFrame(np.random.randint(0, 10, size=(4, 4)), columns=list("ABCD"))
# 添加一些缺失值
df1.iloc[2, 3] = np.nan
df1.iloc[1, 2] = np.nan
1.
combine函数
combine
函数基于给定的函数进行逐元素的比较。例如，我们可以选择每个位置的两个值中的最大值。当我们执行示例时，它会更清晰。
combined_df = df1.combine(df2, np.maximum)
看一下第一行和第一列中的数值。组合的DataFrame具有5和2中较大的一个。
如果其中一个值为
NaN
（即缺失值），那么组合的DataFrame在此位置也有
NaN
，因为Pandas无法将值与缺失值进行比较。
我们可以通过使用
fill_value
参数来选择一个常量值，在缺失值的情况下使用该值，然后将其与另一个DataFrame中的值进行比较。
combined_df = df1.combine(df2, np.maximum, fill_value=0)
在
df1
中有两个
NaN
值，这些值被填充为
0
，然后与
df2
中相同位置的值进行比较。
2.
combine_first函数
combine_first
函数使用另一个DataFrame中相同位置的值更新
NaN
值。
combined_df = df1.combine_first(df2)
如上图所示，
combined_df
与
df1
具有相同的值，除了
NaN
值，这些值被填充为
df2
的值。
需要注意的是，
combine_first
函数不会更新
df1
和
df2
中的值。它只返回第一个DataFrame的更新版本。
3.
update函数
update
函数使用另一个DataFrame中相同位置的值更新DataFrame中的缺失值。
它听起来与
combine_first
函数所做的作用相同。但是，有一个重要的区别。
update
函数不返回任何内容，而是会在原地更新。因此，原始DataFrame被修改（或更新）。使用示例将更清楚地理解。
我们有两个DataFrame，如下图所示：
让我们在
df1
上使用
update
函数。
df1.update(df2)
这行代码不返回任何内容，但会更新
df1
。更新版本如下：
df1
不再包含缺失值，这些值已使用
df2
中的值进行了更新。
4.
compare函数
compare
函数比较同一位置的值，并返回一个显示它们并排的DataFrame。
comparison = df1.compare(df2)
如果特定位置的数值相同，则比较结果显示它们为
NaN
（例如，第二行第一列）。我们可以通过使用
keep_equal
参数更改此行为。
comparison = df1.compare(df2, keep_equal=True)
