如何覆盖True==1、False==0的默认行为？实现DataFrame精确比较

默认情况下Python里布尔类型是int的子类，True和1、False和0会被判定为相等，pandas也继承了这个逻辑。要实现精确匹配（值和类型都一致），可以用下面几种方法：

1. 同时校验值和数据类型 #

最直接的方式就是在比较时，既判断值相等，又检查类型是否一致。用np.logical_and结合eq()和元素类型检查就能搞定：

import pandas as pd
import numpy as np

# 示例数据
df_1 = pd.DataFrame([[True, 1], [False, 0]])
target_val = df_2[0][0]  # 假设这里是1

# 精确匹配：值相等 + 类型一致
exact_match = np.logical_and(df_1.eq(target_val), df_1.applymap(type) == type(target_val))

运行后，只有df_1里值为1且类型是int的单元格会返回True，布尔类型的True不会被匹配，完全符合需求。

2. 给布尔值做特殊标记（适合多次比较场景） #

如果需要反复做这类比较，提前把布尔列转成和普通整数不重叠的数值，比如用2表示True，3表示False，之后直接比较就行：

# 替换布尔值为特殊整数
df_1 = df_1.applymap(lambda x: 2 if x is True else 3 if x is False else x)
target_val = 1

# 直接比较即可得到精确结果
exact_match = df_1 == target_val

这种方法会修改原始数据，适合不需要保留布尔类型的场景。

3. 按列类型转换标量后比较 #

如果DataFrame各列类型比较规整，可以针对每列的类型把目标标量转成对应类型，再做比较：

def exact_compare(df, scalar):
    result = pd.DataFrame(index=df.index, columns=df.columns)
    for col in df.columns:
        col_type = df[col].dtype.type
        try:
            # 把标量转换成当前列的类型
            typed_scalar = col_type(scalar)
            result[col] = df[col] == typed_scalar
        except:
            # 转换失败说明类型不兼容，直接返回False
            result[col] = False
    return result

exact_match = exact_compare(df_1, target_val)

比如布尔列会把1转成True，这时候只有该列里的True会匹配；int列的1则匹配同类型的1，也能实现精确区分。

内容的提问来源于stack exchange，提问作者user6118986