**Q1：**d1-df 2中不存在的行：

q1=df1[~df1['A'].isin(df2['A'])]

'''
     A   B   C   D
1  456  D4  D5  D6
'''

**Q2：**df 2-df 1中不存在的行：

q2=df2[~df2['A'].isin(df1['A'])]

'''
     A    B    C    D
2  111  D11  D12  D13
3  222  D14  D15   16
'''

**第3季度：**有差异的共同行：

q3=pd.concat([df1[df1['A'].isin(df2['A'])],df2[df2['A'].isin(df1['A'])]]).drop_duplicates().groupby('A').agg(list)
mask=q3.applymap(lambda x: pd.Series(x).is_unique if len(x) > 1 else False)
q3=q3[mask].stack().reset_index()

'''
     A    level_1          0
0  123       C        [D2, D10]
'''

对于前两个问题，我的答案与@Bushmaster的答案相似，但在A常见的行之间，显示差异的方法略有不同。

df1x2 = df1.loc[~df1['A'].isin(df2['A'])]
df2x1 = df2.loc[~df2['A'].isin(df1['A'])]
dfcom = df1.merge(df2, on='A', suffixes=['_1', '_2'])

然后，为了突出显示dfcom每行中的差异：

def show_diffs(s):
    a = {k[:-2]: v for k, v in s.items() if k.endswith('_1')}
    b = {k[:-2]: v for k, v in s.items() if k.endswith('_2')}
    return {k: (a[k], b[k]) for k in a if a[k] != b[k]}

>>> dfcom.assign(diffs=dfcom.apply(show_diffs, axis=1))
     A B_1 C_1 D_1 B_2  C_2 D_2                 diffs
0  123  D1  D2  D3  D1  D10  D3  {'C': ('D2', 'D10')}
1  789  D7  D8  D9  D7   D8  D9                    {}

# or, just the differences
>>> dfcom[['A']].assign(diffs=dfcom.apply(show_diffs, axis=1))
     A                 diffs
0  123  {'C': ('D2', 'D10')}
1  789                    {}

如果公共dfcom不是太大，则另一种可能性是直观地呈现差异：

def highlight(df):
    cols_1 = [k for k in df.columns if k.endswith('_1')]
    cols_2 = [k for k in df.columns if k.endswith('_2')]
    a = df[cols_1].set_axis([k[:-2] for k in cols_1], axis=1)
    b = df[cols_2].set_axis([k[:-2] for k in cols_2], axis=1)
    h = pd.concat([
        # just in case the columns are somehow in a different order
        (a != b[a.columns]).set_axis(cols_1, axis=1),
        (b != a[b.columns]).set_axis(cols_2, axis=1),
    ], axis=1).applymap(
        lambda v: 'color:red; font-weight:bold' if v else 'color:lightblue')
    return h

dfcom.style.apply(highlight, axis=None)

下面是一种方法来完成您的要求：

• 将索引更改为A
• 预先计算A的公共值和相异值的子集
• 对于df1和df2中的非公共行，通过索引（即，通过A的值）阅读适当的行
• 为标记不匹配值的公共行创建掩码，并使用该掩码在具有不同值的位置构造V1 vs V2样式字符串，其中相似值用NaN标记。

# pre-calculation of partitioning of `A` values, to avoid duplicate operations
a1, a2 = df1.set_index('A'), df2.set_index('A')
s1, s2 = set(a1.index), set(a2.index)
sCommon = s1 & s2
lCommon = list(sCommon)

# calculation of outputs (rows only in df1, rows only in df2, and common rows)
out1, out2 = a1.loc[list(s1 - sCommon),], a2.loc[list(s2 - sCommon),]
mask = a1.loc[lCommon,] != a2.loc[lCommon,]
out3 = (a1.loc[lCommon,].astype(str)[mask] + ' vs ' + a2.loc[lCommon,].astype(str)[mask])

输出：

out1
      B   C   D
A
456  D4  D5  D6

out2
       B    C    D
A
222  D14  D15   16
111  D11  D12  D13

out3
       B          C    D
A
123  NaN  D2 vs D10  NaN
789  NaN        NaN  NaN