Pandas问题：使用对齐的Series值设置多层索引DataFrame的切片

这个问题其实是pandas索引对齐逻辑里的一个容易踩的坑——虽然你看到切片的索引标签和ser的索引标签完全一致，但pandas在赋值时的索引匹配规则取决于你使用的索引器类型，导致了意外的NaN。

核心原因 #

当你执行df.loc[('b',), 'A'] = ser时，pandas会尝试将ser的索引与**整个DataFrame的完整行索引（MultiIndex元组）**进行对齐，而不是与切片后的二级索引标签对齐。

ser的索引是普通字符串['a','b','c']，而df的行索引是元组（比如('b','a')），两者结构不匹配，pandas找不到对应的赋值位置，最终将切片内的所有值替换为NaN。

你之前的验证df.loc[('b',), 'A'].index == ser.index返回全True，只是对比了切片返回的Series的索引标签（二级索引）和ser的索引标签，但pandas在赋值时并不会用这个切片的索引来对齐，而是用整个DataFrame的原始行索引。

解决方法 #

这里有几种简单有效的解决方式：

方法1：使用单个标签索引第一层（最简洁）

直接用单个标签'b'来索引MultiIndex的第一层，此时pandas会自动将切片的索引（二级标签）与ser的索引对齐，赋值成功：

df.loc['b', 'A'] = ser

执行后df的结果符合预期：

A
a a    0
  b    1
  c    2
b a   11
  b   22
  c   33
c a    6
  b    7
  c    8

方法2：跳过索引对齐，直接赋值值数组

如果你确认切片的行顺序和ser的顺序完全一致，可以直接赋值ser的values数组，绕过pandas的索引对齐逻辑：

df.loc[('b',), 'A'] = ser.values

方法3：构造与完整行索引匹配的Series

手动创建一个索引为目标切片完整行索引（元组）的Series，再进行赋值：

# 构造匹配MultiIndex元组的Series
ser_multi = pd.Series(ser.values, index=[('b', 'a'), ('b', 'b'), ('b', 'c')])
df.loc[('b',), 'A'] = ser_multi

总结 #

pandas的赋值对齐逻辑会严格匹配索引的完整结构，而不仅仅是标签值。当处理MultiIndex时，使用单个标签索引分层比使用元组索引更不容易触发对齐问题，尤其是在赋值操作中。

内容的提问来源于stack exchange，提问作者proggy