基于DataFrame索引填充空列异常：为何所有行均显示False？

尝试为DataFrame（df3）添加名为Information的列，要求行索引为0时填充字符串'True'，其余行填充'False'，但运行后所有行（包括索引为0的行）都被填充为'False'，具体代码及输出如下：

输入代码 #

import pandas as pd
import numpy as np

df1 = pd.DataFrame({'Column1': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
                    'Column2': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                    'Column3': ['I', 'II', 'III', 'IV', 'V', 'VI', 'VII', 'VIII', 'IX', 'X'],
                    'Column4': ['K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T'],
                    'Column5': [11, 12, 13, 14, 15, 16, 17, 18, 19, 20],
                    'Column6': ['XI', 'XII', 'XIII', 'XIV', 'XV', 'XVI', 'XVII', 'XVIII', 'XIX', 'XX'],
                    'Column7': ['U', 'V', 'W', 'X', 'Y', 'Z', '', '', '', ''],
                    'Column8': [21, 22, 23, 24, 25, 26, pd.NA, pd.NA, pd.NA, pd.NA],
                    'Column9': ['XXI', 'XXII', 'XXIII', 'XXIV', 'XXV', 'XXVI', '', '', '', '']})

column_names = ['Letters', 'Numbers', 'RomanNumerals']
df3 = pd.DataFrame(columns = column_names)

i=0
while i<len(df1.columns):
    df2 = df1.iloc[:, i:i+3]
    df2.columns = column_names
    df3 = pd.concat([df3, df2])
    i+=3

df3.dropna(inplace=True)

for index, row in df3.iterrows():
    df3['Information'] = np.where(index == 0, True,  False)

display(df3)

输出结果 #

你的循环逻辑存在根本性错误：

• 循环中执行df3['Information'] = np.where(index == 0, True, False)时，并非给当前行赋值，而是覆盖整个Information列。
• 循环会遍历df3的每一行，最后一次循环的index是5（最后一行的索引），此时index == 0为False，所以整个列会被最终的np.where结果覆盖，全部变成False。
• 另外，np.where的第一个参数是单个布尔值（不是对应每行的条件数组），所以会生成一个全为相同值的数组，直接替换整列。

方法1：向量式操作（推荐，符合Pandas最佳实践） #

直接利用索引条件一次性生成整列，无需循环，效率最高：

# 生成布尔值列
df3['Information'] = df3.index == 0
# 如果需要字符串类型的'True'/'False'，转换即可：
df3['Information'] = (df3.index == 0).astype(str)

方法2：正确的循环赋值（不推荐，仅作演示） #

如果一定要用循环，需要给当前行的指定列赋值，而非整列：

# 先默认填充所有行为'False'
df3['Information'] = 'False'
for index, row in df3.iterrows():
    if index == 0:
        # 定位到当前行的Information列赋值
        df3.loc[index, 'Information'] = 'True'

注意：这种行遍历循环在数据量大时效率极低，Pandas官方不推荐使用。

内容的提问来源于stack exchange，提问作者Timeless