Python中检查DataFrame浮点数列相等性的报错问题

你的问题出在对assert_almost_equal的用法理解上，还有浮点数比较的常见坑，我来一步步帮你搞定：

为什么你的代码报错？ #

np.assert_almost_equal是断言函数，它的作用是验证两个数组是否近似相等——如果相等就返回None，不相等直接抛出AssertionError，根本不会返回布尔数组。而np.where需要的是一个明确的布尔序列来做判断，所以把它放进去就会触发"真值模糊"的错误，因为Python没法把None或者异常转换成布尔值来逐行判断。

另外，直接用df['col1'] == df['col2']比较浮点数也不靠谱，比如0.1 + 0.2和0.3在计算机里存储的二进制值并不完全一致，用==会误判它们不相等，必须用近似相等的判断逻辑。

正确的解决方案 #

步骤1：先筛选掉含0的行 #

先把两列都不为0的行筛选出来（注意要加.copy()避免链式赋值警告）：

import pandas as pd
import numpy as np

# 假设你的DataFrame是df
filtered_df = df[(df['col1'] != 0.0) & (df['col2'] != 0.0)].copy()

步骤2：用np.isclose逐行判断近似相等 #

np.isclose是专门用来处理浮点数近似相等的向量化函数，速度快还能避免精度问题，默认的公差是1e-09，你可以通过rtol（相对公差）和atol（绝对公差）参数调整严格程度：

# 相等则留空，不相等标记为"Not equal"
filtered_df['Error'] = np.where(np.isclose(filtered_df['col1'], filtered_df['col2']), '', 'Not equal')

可选：逐行apply的方式（适合小数据集） #

如果你习惯逐行处理，也可以用apply，但效率不如向量化的np.isclose，适合数据量小的情况：

filtered_df['Error'] = filtered_df.apply(
    lambda row: '' if np.isclose(row['col1'], row['col2']) else 'Not equal',
    axis=1
)

完整示例 #

比如你的原始数据是这样的：

data = {'col1': [1.0, 2.0, 0.0, 3.000000001], 'col2': [1.0, 2.1, 5.0, 3.0]}
df = pd.DataFrame(data)

运行上面的代码后，filtered_df的结果会是：

col1  col2       Error
0  1.000000   1.0            
1  2.000000   2.1  Not equal
3  3.000000   3.0            

可以看到第三行的3.000000001和3.0被判定为近似相等，没有标记错误，这正是我们想要的浮点数比较结果。

内容的提问来源于stack exchange，提问作者MaMo