为何向Pandas DataFrame直接添加Series作为新列会丢失行？

这是个非常好的问题，很多刚接触pandas的开发者都会对这个行为感到困惑，我来帮你拆解背后的逻辑：

先重现你的场景 #

首先看你用到的代码和结果：

import pandas as pd

s1 = pd.Series({1: 10, 2: 20, 3: 30, 4: 40}, name='s1')
s2 = pd.Series({3: 35, 4: 45, 5: 55, 6: 65}, name='s2')

# 直接赋值的方式
df = pd.DataFrame()
df['s1'] = s1
df['s2'] = s2

得到的结果只保留了s1的索引：

s1    s2
1  10   NaN
2  20   NaN
3  30  35.0
4  40  45.0

核心原因：赋值时的索引规则 #

直接给DataFrame添加列的行为遵循两个关键逻辑：

1. 首次赋值固定DataFrame的索引：当你给一个空DataFrame添加第一列（df['s1'] = s1）时，pandas会自动把该Series的索引设置为DataFrame的索引，此时df的索引就固定为[1,2,3,4]了。
2. 后续赋值仅做索引对齐，不扩展索引：当你添加第二列df['s2'] = s2时，pandas会以当前DataFrame已有的索引为基准，只匹配s2中索引重合的行（也就是3、4）填充值，而s2中索引5、6不在df的现有索引里，会直接被忽略，不会自动扩展df的索引范围。

为什么pd.concat能得到预期结果？ #

pd.concat([s1, s2], axis=1)的逻辑和直接赋值完全不同：
它会默认收集所有输入Series的索引，取索引的并集作为结果DataFrame的索引，然后对每个Series进行索引对齐，缺失的位置自动填充NaN。这就是为什么它能保留所有索引（1-6）的原因。

用赋值方式实现预期效果的替代方案 #

如果你想通过赋值的方式达到和concat一样的效果，可以先手动把DataFrame的索引设置为两个Series索引的并集，再进行赋值：

# 手动设置索引为两个Series索引的并集
df = pd.DataFrame(index=s1.index.union(s2.index))
df['s1'] = s1
df['s2'] = s2

这样得到的结果就和pd.concat一致了：

s1    s2
1  10.0   NaN
2  20.0   NaN
3  30.0  35.0
4  40.0  45.0
5   NaN  55.0
6   NaN  65.0

总结一下：直接赋值是以现有DataFrame的索引为基准做对齐，而pd.concat是以所有输入的索引并集为基准，这就是两者行为差异的核心。

内容的提问来源于stack exchange，提问作者Bilou