Usando drop_duplicates

 pd.concat([df1,df2]).drop_duplicates(keep=False)

Update :

The above method only works for those data frames that don't already have duplicates themselves. For example:

 df1=pd.DataFrame({'A':[1,2,3,3],'B':[2,3,4,4]}) df2=pd.DataFrame({'A':[1],'B':[2]})

Saldrá como a continuación, lo cual es incorrecto

Salida incorrecta:

 pd.concat([df1, df2]).drop_duplicates(keep=False) Out[655]: AB 1 2 3

Salida correcta

 Out[656]: AB 1 2 3 2 3 4 3 3 4

¿Cómo lograr eso?

Método 1: Usar isin con tuple

 df1[~df1.apply(tuple,1).isin(df2.apply(tuple,1))] Out[657]: AB 1 2 3 2 3 4 3 3 4

Método 2: merge con el indicator

 df1.merge(df2,indicator = True, how='left').loc[lambda x : x['_merge']!='both'] Out[421]: AB _merge 1 2 3 left_only 2 3 4 left_only 3 3 4 left_only

Para las filas, intente esto, donde Name es la columna de índice conjunto (puede ser una lista de varias columnas comunes o especificar left_on y right_on ):

 m = df1.merge(df2, on='Name', how='outer', suffixes=['', '_'], indicator=True)

La configuración de indicator=True es útil ya que agrega una columna llamada _merge , con todos los cambios entre df1 y df2 , categorizados en 3 tipos posibles: "solo_izquierda", "solo_derecha" o "ambos".

Para las columnas, intente esto:

 set(df1.columns).symmetric_difference(df2.columns)

Respuesta aceptada El Método 1 no funcionará para marcos de datos con NaN dentro, como pd.np.nan != pd.np.nan . No estoy seguro de si esta es la mejor manera, pero se puede evitar

 df1[~df1.astype(str).apply(tuple, 1).isin(df2.astype(str).apply(tuple, 1))]

Es más lento, porque necesita convertir datos en una cadena, pero gracias a esta conversión pd.np.nan == pd.np.nan .

Vamos a repasar el código. Primero, convertimos los valores en una cadena y aplicamos la función de tuple a cada fila.

 df1.astype(str).apply(tuple, 1) df2.astype(str).apply(tuple, 1)

Gracias a eso, obtenemos el objeto pd.Series con una lista de tuplas. Cada tupla contiene una fila completa de df1 / df2 . Luego aplicamos el método isin en df1 para verificar si cada tupla "está en" df2 . El resultado es pd.Series con valores booleanos. Verdadero si la tupla de df1 está en df2 . Al final, negamos los resultados con el signo ~ y aplicamos el filtro en df1 . Para resumir, solo obtenemos aquellas filas de df1 que no están en df2 .

Para hacerlo más legible, podemos escribirlo como:

 df1_str_tuples = df1.astype(str).apply(tuple, 1) df2_str_tuples = df2.astype(str).apply(tuple, 1) df1_values_in_df2_filter = df1_str_tuples.isin(df2_str_tuples) df1_values_not_in_df2 = df1[~df1_values_in_df2_filter]