DataFrame切片后值添加异常：索引不匹配致NaN问题求助

问题重现 #

你有如下DataFrame，需要将phase='A'的value列除以2后加到phase='B'的value列上，但直接执行代码后phase='B'的value出现NaN：

import pandas as pd

data = {'time': [1,2,1,2,1,2,],
        'phase': ['A', 'A', 'B', 'B', 'C', 'C' ],
        'value': [2, 3, 4, 5, 6, 7]}
df = pd.DataFrame(data)

# 提取A的value并除以2
slice_A = df.loc[df['phase']== 'A', 'value'] /2 

# 尝试加到B的value上
df.loc[df['phase']=='B', 'value'] += slice_A

print(df)

输出结果：

time phase  value
0     1     A    2.0
1     2     A    3.0
2     1     B    NaN
3     2     B    NaN
4     1     C    6.0
5     2     C    7.0

原因分析 #

出现NaN的核心是索引不匹配：slice_A的索引是[0,1]（对应phase='A'的行），而df.loc[df['phase']=='B', 'value']的索引是[2,3]。Pandas在执行加减操作时会严格按索引对齐，找不到对应索引的值就会填充NaN。

解决方案 #

根据你的数据特征（A和B的time一一对应，且行数相同），可以用以下几种方法解决：

方法1：基于time列匹配（最稳健）

通过time列将A的处理值和B的行关联，确保对应关系准确：

# 生成A的处理后数据，保留time列
a_processed = df[df['phase'] == 'A'].assign(value=lambda x: x['value']/2)[['time', 'value']]

# 按time合并到原DataFrame，获取对应A的处理值
df = df.merge(a_processed, on='time', suffixes=('', '_a'), how='left')

# 将B的value加上对应的A处理值
df.loc[df['phase'] == 'B', 'value'] += df['value_a']

# 清理临时列
df = df.drop(columns='value_a')

print(df)

输出结果：

time phase  value
0     1     A    2.0
1     2     A    3.0
2     1     B    5.0  # 4 + 1.0
3     2     B    6.5  #5 +1.5
4     1     C    6.0
5     2     C    7.0

方法2：直接提取值列表赋值（简单高效，适用于行数顺序完全对应）

如果能确定A和B的行是按顺序一一对应的（比如time顺序一致），可以直接将slice_A的值转为列表再赋值：

slice_A_values = slice_A.tolist()
df.loc[df['phase'] == 'B', 'value'] += slice_A_values

print(df)

输出结果和方法1一致。

方法3：重置索引后对齐（适合无关联键但行数相同的情况）

将A的处理结果和B的行都重置索引，再进行操作：

# 提取B的行并重置索引
b_rows = df.loc[df['phase'] == 'B'].reset_index(drop=True)
# 提取A的处理值并重置索引
slice_A_reset = slice_A.reset_index(drop=True)
# 执行加法
b_rows['value'] += slice_A_reset
# 将结果放回原DataFrame
df.loc[df['phase'] == 'B'] = b_rows

print(df)

同样得到正确结果。

内容的提问来源于stack exchange，提问作者Aviv Fried