为何两个Pandas Series相除结果全为NaN？

我有两个Pandas DataFrame，想要将第一个DataFrame的列与第二个DataFrame的对应列按分钟级数据计算小时区间的比值。第一个DataFrame的规模略大于第二个，我尝试通过匹配索引执行除法，随后将第一个DataFrame列的起止索引各偏移1位重复执行除法，循环此操作30次。

示例代码如下：

keys = ['BX_GSE', 'BY_GSE', 'BZ_GSE', 'Vx', 'Vy', 'Vz', 'proton_density', 'T']
max_avg = []
timeshift_offset = []

for k in keys:
    averages_storage_array = []
    for n in range(30): # 计算30分钟窗口内的点比值
        # 注：原代码存在语法错误，应为fixed[k][j:j+60]
        ratio_of_points = sliding[k][sliding_start-n:sliding_stop-n] / fixed[k [j:j+60])
        averaged_ratio_1hr = np.average(ratio_of_points)
        averages_storage_array.append(averaged_ratio_1hr)

    max_avg.append(max(averages_storage_array))
    timeshift_offset.append(averages_storage_array.index(max(averages_storage_array)))

运行后发现ratio_of_points数组全部为NaN值！加载的数据类型为<class 'pandas.core.series.Series'>，单个元素类型为<class 'numpy.float64'>，且所有元素均非零。

示例Series数据：
第一个Series的前10个元素：

print(sliding[k][sliding_start:sliding_start+10])
30   -1.284938
31   -1.219414
32   -0.936132
33   -0.801830
34   -0.848222
35   -1.291175
36   -1.470336
37   -1.428876
38   -1.318022
39   -1.303974

第二个Series的前10个元素：

print(fixed[k][j:j+10])
0   -3.22
1   -3.58
2   -3.51
3   -1.62
4   -1.78
5   -1.40
6   -1.19
7   -1.50
8   -1.58
9   -1.09

使用/运算符、np.divide()和pandas.Series.divide都会出现相同问题。猜测是DataFrame索引不匹配导致的错误，想知道有没有办法强制两个Series忽略索引执行除法，目前想到的方法是转换为常规数组或numpy数组。

问题根源 #

Pandas中Series的算术运算默认会按索引对齐，你的两个Series索引完全不重叠（一个是30-39，一个是0-9），对齐后没有匹配的元素，因此运算结果全为NaN。

强制按位置运算的方法 #

方法1：转换为NumPy数组

直接提取Series的数值部分，用to_numpy()（Pandas 0.24+推荐）或.values，这样会完全忽略索引，按位置逐元素计算：

ratio_of_points = sliding[k][sliding_start-n:sliding_stop-n].to_numpy() / fixed[k][j:j+60].to_numpy()

方法2：重置索引

用reset_index(drop=True)将两个Series的索引重置为从0开始的连续整数，让索引对齐逻辑按位置匹配：

sliding_subset = sliding[k][sliding_start-n:sliding_stop-n].reset_index(drop=True)
fixed_subset = fixed[k][j:j+60].reset_index(drop=True)
ratio_of_points = sliding_subset / fixed_subset

代码优化建议 #

循环30次时可以提前缓存fixed的切片，避免重复索引查找，提升运行效率：

keys = ['BX_GSE', 'BY_GSE', 'BZ_GSE', 'Vx', 'Vy', 'Vz', 'proton_density', 'T']
max_avg = []
timeshift_offset = []

for k in keys:
    averages_storage_array = []
    # 提前缓存fixed的60分钟切片的NumPy数组
    fixed_np = fixed[k][j:j+60].to_numpy()
    for n in range(30):
        sliding_np = sliding[k][sliding_start-n:sliding_stop-n].to_numpy()
        ratio_of_points = sliding_np / fixed_np
        averaged_ratio_1hr = np.average(ratio_of_points)
        averages_storage_array.append(averaged_ratio_1hr)
    
    max_avg.append(max(averages_storage_array))
    timeshift_offset.append(averages_storage_array.index(max(averages_storage_array)))

内容的提问来源于stack exchange，提问作者Kajmunso