如何在含混合类型的DataFrame中批量替换numpy数组？

问题场景 #

当DataFrame同时包含标量类型列（字符串、整数）和数组类型列时，尝试用loc批量替换数组列的元素会触发报错：

示例代码 #

import pandas as pd
import numpy as np

data = {'item_id': ['item_1', 'item_1', 'item_2', 'item_2'],
        'period_date': [0, 1, 0, 1],
        'b+': [[0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0]], 
        'b': [[0, 0, 0], [0, 0, 0], [0, 0, 0], [0, 0, 0]]}

dynamic = pd.DataFrame(data)

index = [0, 2]
new_array_1 = np.array([11., 12., 14])
new_array_2 = np.array([20, 21, 22])

# 执行此代码会报错
dynamic.loc[index, 'b+']= [new_array_1, new_array_2]

错误信息 #

ValueError: Must have equal len keys and value when setting with an ndarray

但如果DataFrame所有列都是数组类型，上述批量赋值操作可以正常执行，这是因为混合类型列时Pandas的赋值逻辑发生了变化。

原因分析 #

当DataFrame存在标量列时，Pandas会默认尝试将赋值的numpy数组按元素展开，试图匹配行的数量，但我们的需求是将每个数组作为单个元素赋值给对应行，这种展开逻辑就会导致长度不匹配的报错。而全数组列的DataFrame中，列的dtype为object，每个元素都是数组对象，Pandas会正确识别赋值的每个数组为单个元素，因此不会触发错误。

解决方案 #

方案1：逐个索引赋值 #

循环遍历目标索引，逐个替换对应位置的数组，逻辑直观，适合小规模索引列表：

for idx, arr in zip(index, [new_array_1, new_array_2]):
    dynamic.loc[idx, 'b+'] = arr

方案2：用pd.Series包裹赋值数组列表 #

将待赋值的数组列表包装成pd.Series并指定匹配的索引，明确告诉Pandas每个数组是单个元素，精准匹配目标行：

dynamic.loc[index, 'b+'] = pd.Series([new_array_1, new_array_2], index=index)

方案3：将目标列转为object类型 #

先确保目标列的dtype为object，让Pandas明确该列存储的是任意对象（包括numpy数组），再执行批量赋值：

# 转换目标列为object类型
dynamic['b+'] = dynamic['b+'].astype(object)
# 批量赋值
dynamic.loc[index, 'b+'] = [new_array_1, new_array_2]

验证结果 #

执行上述任意方案后，目标列的指定行会被正确替换：

item_id  period_date                b+           b
0  item_1            0  [11.0, 12.0, 14.0]  [0, 0, 0]
1  item_1            1           [0, 0, 0]  [0, 0, 0]
2  item_2            0        [20, 21, 22]  [0, 0, 0]
3  item_2            1           [0, 0, 0]  [0, 0, 0]

内容的提问来源于stack exchange，提问作者Martin D