Pandas向DataFrame列赋值时出现NaN异常问题求助

核心原因：索引对齐机制 #

这是Pandas的索引对齐特性导致的问题：

• 当你创建空DataFrame时，它没有任何索引信息。第一次给某列赋值时，Pandas会自动把源数据的索引同步到新DataFrame中。
• 第二次赋值另一列时，如果源数据的索引和新DataFrame的索引无法完全匹配（比如你筛选后的源数据保留了原DataFrame的非连续索引），Pandas会按照索引去匹配行，找不到对应索引的位置就填充NaN。调换赋值顺序时，第一次赋值的列会同步自己的索引，第二次的列因为索引不匹配就变成NaN，所以出现相反的结果。
• 你说重置索引没用？大概率是重置时没加drop=True，旧索引变成了普通列，新的索引还是没和空DataFrame对齐。

解决方法 #

方法1：一次性构造新DataFrame（最推荐）

直接把需要的列一次性传入pd.DataFrame，避免分步赋值的索引问题：

# filtered_df是你筛选后的目标DataFrame
new_df = pd.DataFrame({
    'contractions': filtered_df['contractions'],
    'followup': filtered_df['followup']
})

方法2：先创建带匹配索引的空DataFrame

先基于筛选后的数据索引初始化空DataFrame，再依次赋值：

new_df = pd.DataFrame(index=filtered_df.index)
new_df['contractions'] = filtered_df['contractions']
new_df['followup'] = filtered_df['followup']

方法3：绕开索引对齐，直接赋值底层数据

用.values或.to_numpy()获取数据的底层数组，跳过Pandas的索引对齐逻辑：

new_df = pd.DataFrame()
new_df['contractions'] = filtered_df['contractions'].values
new_df['followup'] = filtered_df['followup'].values

内容的提问来源于stack exchange，提问作者Vartez652