如何无需重置索引为时间序列按位置添加含缺失值列

我有一个DataFrame，希望从元组数组中提取值添加为新列，元组包含（位置, 值）信息。示例代码如下：

import pandas as pd
import numpy as np

alpha = [chr(i) for i in range(ord('A'), ord('K')+1)]

dt = pd.date_range(start='2025-1-1', freq='1h', periods = len(alpha))

df = pd.DataFrame ( alpha , index = dt )
df.index.name = 'timestamp'
df.columns = ['item']

c = np.array( [(1, 100), (2, 202), (6, 772)] )

目标是让第1行（对应item为B）的新列值为100，以此类推。我已通过以下代码实现需求：

df.reset_index(inplace = True) 
df.index.name = 'pos'

for x,y in c:
    df.loc[ int(x) , 'price'] = y

df.set_index("timestamp", inplace=True)

该方法虽能得到预期结果，但重置再重建索引的操作在多索引场景下较为繁琐。请问是否存在无需重置索引的更优方式，按位置添加含缺失值的列？

可以直接利用pandas的位置定位特性或构造Series实现，完全不需要改动原索引：

方法1：通过iloc直接赋值 #

先初始化新列为缺失值，再遍历元组按行位置赋值：

# 先创建全为NaN的新列
df['price'] = np.nan
# 遍历元组数组，按整数行位置赋值
for pos, val in c:
    df.iloc[int(pos), df.columns.get_loc('price')] = val

iloc直接定位行的整数位置，df.columns.get_loc('price')确保赋值到正确的新列，全程无需修改原索引结构。

方法2：构造Series自动对齐 #

将元组数组转换成以位置为索引的Series，利用pandas的自动对齐机制完成赋值：

# 从元组构造Series，索引为行位置，值为对应价格
price_series = pd.Series({int(pos): val for pos, val in c}, dtype='float64')
# 按行位置匹配赋值，缺失位置自动填充NaN
df['price'] = price_series

这种方法无需循环，代码更简洁，pandas会自动将Series的索引（行位置）与DataFrame的行位置对应，未匹配到的位置自动填充缺失值。

内容的提问来源于stack exchange，提问作者Mansour