同维度DataFrame相除后维度异常且全为NaN问题求助

核心原因 #

你遇到的问题本质是两个DataFrame的索引/列标签未正确对齐，导致divide执行了外连接（outer join），没有匹配的元素，最终生成全NaN的结果。当你直接用values计算时，是按数组位置强制相除，跳过了pandas的标签对齐逻辑，所以能得到正确结果，但丢失了索引和列的语义信息。

解决方案 #

方法1：修正导入流程，确保索引与列完全匹配 #

你的示例数据是分层表头结构，原导入代码错误地将表头行当作数据索引，导致索引和列的标签混乱。正确的导入方式如下，保证两个DataFrame的索引（年份）和列MultiIndex（州+地区）完全一致：

import pandas as pd

# 处理 household_income_sample.csv
household_income = pd.read_csv(
    'household_income_sample.csv',
    header=[0, 1, 2],  # 指定前3行为分层表头
    index_col=2         # 将第3层表头（Year）作为数据索引
)
# 移除列MultiIndex中空的Year层级
household_income.columns = household_income.columns.droplevel(2)
# 清理索引，只保留年份作为索引
household_income = household_income.reset_index(level=[0,1], drop=True)
# 转换数据类型为数值型
household_income = household_income.astype(float)

# 处理 housing_prices_sample.csv（逻辑完全一致）
housing_prices = pd.read_csv(
    'housing_prices_sample.csv',
    header=[0, 1, 2],
    index_col=2
)
housing_prices.columns = housing_prices.columns.droplevel(2)
housing_prices = housing_prices.reset_index(level=[0,1], drop=True)
housing_prices = housing_prices.astype(float)

# 此时执行除法会自动按标签对齐计算
blah = housing_prices.divide(household_income)

方法2：强制按位置匹配计算（不推荐，仅应急使用） #

如果无法修正索引/列结构，可强制跳过标签对齐，直接按位置计算：

# 方式1：用divide的参数指定按行位置匹配
blah = housing_prices.divide(household_income.values, axis=0)

# 方式2：转换为数组计算后再转回DataFrame，保留原索引和列
blah = pd.DataFrame(
    housing_prices.values / household_income.values,
    index=housing_prices.index,
    columns=housing_prices.columns
)

对提问方式的反馈 #

• 优点：提供了示例数据和完整导入代码，能快速复现问题，这是非常好的提问习惯；清晰描述了现象、尝试过的方法和期望结果。
• 优化点：可以补充两个DataFrame的索引/列的具体输出（比如print(housing_prices.index)和print(housing_prices.columns)的结果），能更快定位到标签对齐的问题；明确说明期望按「年份+州」的对应关系计算，语义更清晰。

内容的提问来源于stack exchange，提问作者Sammy