我看安迪的回答这个问题Outputting difference in two Pandas dataframes side by side - highlighting the difference比较两个DataFrames，
我有一个关于代码的两个问题，可惜我不尚未有50代表对答案进行评论，所以我希望我能得到一些帮助的具体问题这里。
In [24]: changed = ne_stacked[ne_stacked]是做什么用的？ 我不确定df1 = df [df]是干什么的，我似乎无法从熊猫文档得到答案，请问有人可以向我解释这一点吗？
是np.where(df1 != df2)与pd.df.where(df1 != df2)相同。如果不是，有什么区别？
问题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]是通过消除的ne_stacked的行，其中boolean_array是False并保持的ne_stacked的行，其中boolean_array是True过滤系列ne_stacked一种方式。
恰巧ne_stacked也是一个布尔数组，所以可以用来过滤自己。为什么要这样做？所以我们可以看到索引的值在我们过滤后是什么。
所以ne_stacked[ne_stacked]是ne_stacked的子集，只有True的值。
问题2
np.where
np.where做两件事情，如果你只通过有条件像np.where(df1 != df2)，你得到阵列的tuple，其中第一是所有的行指数的参考与tuple的第二个元素一起使用，它是对所有列索引的引用。我通常使用这样
i, j = np.where(df1 != df2)
现在我可以在或在其中也有像
df.values[i, j]
或者我可以分配到这些细胞的差异df1所有元素df2得到
df.values[i, j] = -99
或许多其他有用的东西。
您也可以在所有的地方，在df1 != df2和99使用np.where为IF，那么，其他数组
np.where(df1 != df2, -99, 99)
要产生一个数组大小相同df1或df2，你必须-99休息。
df.where
在另一方面df.where评估布尔值的第一参数，并返回相同大小的一个目的是df，其中该评估以True的细胞保持其余要么np.nan或值在df.where
df1.where(df1 != df2)
或者
0的第二个参数传递df1.where(df1 != df2, -99)
他们是一样的吗？
显然他们不是“相同”。但是你可以用它们同样
np.where(df1 != df2, df1, -99)
应该是相同的
df1.where(df1 != df2, -99).values