assert_frame_equal校验同数据DataFrame报错，值一致仍提示不同

针对你遇到的assert_frame_equal报错（显示列值一致但仍提示差异），可以按以下步骤排查和解决：

1. 精准核对列的底层数据类型 #

SQLite返回的列类型可能和你手动转换的存在细微差异，比如：

• SQLite的整数可能是np.int32，而你转成了np.int64
• 其中一个列是可空整数类型（pd.Int64Dtype()，大写I），另一个是普通整数类型

执行以下代码查看具体类型：

print("DF1 engines dtype:", df1['engines'].dtype)
print("DF2 engines dtype:", df2['engines'].dtype)

如果类型不一致，强制对齐为DF1的类型：

df2['engines'] = df2['engines'].astype(df1['engines'].dtype)

2. 检查缺失值的表示差异 #

SQLite中的NULL在pandas中会被解析为pd.NA，而直接读取CSV时缺失值可能是np.nan，两者显示相同但底层类型不同。可以统一缺失值格式：

# 将DF2的缺失值转为pd.NA，对齐SQLite的结果
df2['engines'] = df2['engines'].replace(np.nan, pd.NA)

3. 重置索引后再对比 #

如果两个DataFrame的索引类型或结构存在细微差异（比如一个是RangeIndex，一个是普通整数索引），也会触发断言失败。先重置索引：

df1 = df1.reset_index(drop=True)
df2 = df2.reset_index(drop=True)

4. 逐元素定位差异点 #

直接用assert_frame_equal无法定位具体问题时，手动对比列的每个元素：

# 找出值不相等的位置
mask = df1['engines'] != df2['engines']
print("DF1差异值:", df1['engines'][mask])
print("DF2差异值:", df2['engines'][mask])

# 检查元素类型差异
for val1, val2 in zip(df1['engines'], df2['engines']):
    if type(val1) != type(val2):
        print(f"类型不匹配: {type(val1)} vs {type(val2)}，值为{val1}和{val2}")

5. 调整断言的严格参数 #

如果以上步骤都无效，尝试更宽松的参数组合：

from pandas.testing import assert_frame_equal

assert_frame_equal(df1, df2, 
                   check_dtype=False,
                   check_index_type=False,
                   check_column_type=False,
                   check_like=True)

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