为何使用df.loc赋值会新增行且列数据类型改变？

DevOps 小满

2026-7-21

问题：为什么两个DataFrame赋值函数结果不同，其中一个新增了NaN行？

我原本认为以下两个函数会产生相同结果：

import pandas as pd
def test_fn1(df: pd.DataFrame) -> pd.DataFrame:
    df['b'] = df['b'].apply(lambda x: [x] if isinstance(x, dict) else x)
    return df

def test_fn2(df: pd.DataFrame) -> pd.DataFrame:
    df.loc['b'] = df['b'].apply(lambda x: [x] if isinstance(x, dict) else x)
    return df

测试用的DataFrame：

test_df = pd.DataFrame({'a': [1, 2, 3], 'b': [{'c': 1}, {'c': 2}, {'c': 3}]})

初始输出：

a          b
0  1  {'c': 1}
1  2  {'c': 2}
2  3  {'c': 3}

调用test_fn1(test_df)后输出符合预期：

a            b
0  1  [{'c': 1}]
1  2  [{'c': 2}]
2  3  [{'c': 3}]

但调用test_fn2(test_df)后出现异常，新增了一行NaN：

a            b
0  1.0  [{'c': 1}]
1  2.0  [{'c': 2}]
2  3.0  [{'c': 3}]
b  NaN          NaN

请问是什么原因导致了最后一行的出现？

回答

核心原因是**df['列名']和df.loc['行标签']的操作维度完全不同**：

1. `test_fn1`的正确逻辑

df['b'] = ...是直接定位到名为'b'的列，右边的df['b'].apply(...)返回一个和原列长度一致的Series，赋值操作会直接替换'b'列的原有数据，整个过程不会修改DataFrame的行结构，所以结果符合预期。

2. `test_fn2`的问题所在

df.loc['b']的第一个参数是行标签，你的原始DataFrame行标签是0、1、2，不存在'b'这一行，因此pandas会自动新增一行行标签为'b'的记录。
右边的df['b'].apply(...)返回的Series，其索引是原行标签0、1、2，而DataFrame的列名是'a'、'b'。当赋值给新行'b'时，pandas会尝试将Series的索引与DataFrame的列名对齐，但两者完全不匹配，所以新行的所有列都会被填充为NaN。
另外，原'a'列原本是整数类型，新增行的'a'列是NaN（属于浮点数类型），pandas会自动将整个'a'列的类型转为float，这就是原行a列值变成1.0、2.0、3.0的原因。