### 比较 Excel 文件时对数值类型数据按两位小数进行差异对比 在比较 Excel 文件中的数值类型数据时，可以使用 `pandas` 库读取 Excel 文件，并通过设置精度来确保数值按照两位小数进行对比。该方法适用于需要以精确格式处理数值的应用场景。 #### 使用 `pandas` 读取 Excel 数据并格式化数值 ```python import pandas as pd # 读取两个 Excel 文件 file1 = 'data1.xlsx' file2 = 'data2.xlsx' df1 = pd.read_excel(file1) df2 = pd.read_excel(file2) # 将所有数值类型的数据格式化为两位小数 df1_rounded = df1.round(2) df2_rounded = df2.round(2) # 对比两个 DataFrame 并显示差异 diff_df = df1_rounded.compare(df2_rounded, align_axis=0).rename(index=str, columns={"self": "File1", "other": "File2"}) print(diff_df.to_string(justify='center')) ``` 此代码片段展示了如何将 Excel 文件中的数值类型数据统一保留两位小数后进行对比[^3]。通过 `round(2)` 方法对每个数值字段进行四舍五入处理，从而确保在计算和比较过程中保持一致性。 #### 自定义函数实现更细粒度的数值差异检测 如果需要进一步控制数值的对比方式，例如忽略极小的浮点误差或根据特定条件判断是否为有效差异，可以通过自定义函数实现： ```python def compare_with_precision(value1, value2, precision=2): """ 按照指定精度（默认两位小数）比较两个数值 """ return round(value1, precision) == round(value2, precision) # 示例：逐行比较两个 DataFrame 的数值 for (index, row1), (_, row2) in zip(df1.iterrows(), df2.iterrows()): for col in df1.columns: val1 = row1[col] val2 = row2[col] if isinstance(val1, (int, float)) and isinstance(val2, (int, float)): if not compare_with_precision(val1, val2): print(f"Difference found at {col} ({val1}, {val2})") ``` 上述方法允许开发者在比较过程中引入额外逻辑，例如仅当数值差异超过一定阈值时才视为显著变化。这在处理大量财务、科学计算等高精度需求的场景中非常有用。 #### 利用 `numpy.isclose()` 进行基于容差的数值比较 对于涉及浮点运算的场景，可以借助 `numpy` 提供的 `isclose()` 函数来进行更加灵活的数值比较： ```python import numpy as np # 判断两个 DataFrame 是否在指定容差内接近 tolerance = 1e-2 # 设置容差为 0.01 comparison = np.isclose(df1, df2, atol=tolerance) print(comparison) ``` 该方法利用了数学上的绝对容差（`atol`）和相对容差（`rtol`）参数，能够在不改变原始数据格式的前提下完成高效比较[^3]。 ---