为何两个结构外观一致的DataFrame调用equals返回False但compare无差异

• 数据类型不一致
  pandas的equals方法会严格对比每一列的数据类型，而compare默认仅对比值的内容，不校验类型差异，这是最常见的诱因。典型场景包括：
  1. 从数据库读出的整数列是Int64（pandas可空整数类型），写入CSV再读出后变成float64或object类型，即便值完全一致，类型差异也会导致equals返回False
  2. 分类列CategoricalDtype写入CSV后被转为普通字符串/数字类型，类型不匹配
  3. 带时区的DatetimeIndex或datetime列写入CSV时丢失时区信息，读回后变为无时区的datetime类型，类型不一致
• 浮点数精度丢失
  CSV是文本存储格式，写入浮点数时默认仅保留6位有效数字，若原始数据存在更高精度的小数位，写入CSV再读回后会出现极微小的数值差异。equals要求浮点数完全相等，而compare默认的比较阈值atol=1e-08可能会忽略这类极小差异，导致无对比结果输出。
• 空值类型不匹配
  原始DataFrame中可能存在pd.NA、None、数据库原生空值等不同类型的空标记，写入CSV再读回后统一被转为np.nan，不同空类型的差异会被equals识别为不一致，但compare会将所有空值判定为相等，无差异输出。
• 索引/列名的类型不匹配
  如果原始DataFrame的列名/索引是整数、数值类型，写入CSV后读回时会默认被解析为字符串类型，比如原列名是1,2,3（int类型），读回后变成'1','2','3'（str类型），值看起来完全一致，但类型差异会导致equals返回False。
• 元数据属性差异
  equals还会对比DataFrame的部分元数据属性，比如索引的名称、多级索引的层级名称、列的注释属性等，如果写入CSV的过程中丢失了这类元数据，也会导致equals返回False，而compare不会校验这类属性。

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