将多数组赋值给DataFrame列时遇长度不匹配问题求助

你遇到的system_id列被填充为NaN的情况，大概率是因为a_id[index]的类型不是单个标量值，而是长度为1的数组（比如numpy数组），导致pandas没法自动把它广播到整个列。不过不管a_id的类型是什么，我们都有简单可靠的办法搞定这个问题，同时还能优化你的代码。

修正后的核心代码方案 #

首先你已经处理好了date列的长度匹配（temp = pd.date_range(date_from, date_to)[:len(pr_daily)]），接下来只需要调整system_id的赋值方式：

方案1：直接赋值标量（最简洁）

如果a_id是普通列表（比如a_id = [1001]），直接取单个元素赋值就行，pandas会自动把这个值广播到列的所有行：

temp = pd.date_range(date_from, date_to)[:len(pr_daily)]
finalDataframes = []
for index in range(len(a_id)):
    df = pd.DataFrame()
    df['date'] = temp
    # 直接赋值单个标量，自动填充所有行
    df['system_id'] = a_id[index]  
    df['simulated_yield_in_kWh'] = pr_daily[:, index]
    df['gloabl_irradiance_tilted_in_kWh_per_m2'] = rad_daily[:, index]
    finalDataframes.append(df)

方案2：处理numpy数组类型的a_id

如果a_id是numpy数组（比如a_id = np.array([1001])），需要把元素转成标量，用.item()方法：

df['system_id'] = a_id[index].item()

方案3：手动生成匹配长度的序列（最稳妥）

不管a_id是什么类型，都可以手动生成和temp长度一致的列表，确保完全匹配：

df['system_id'] = [a_id[index]] * len(temp)
# 或者用pandas的Series
df['system_id'] = pd.Series([a_id[index]] * len(temp))

额外优化：简化代码（因为a_id长度为1） #

既然a_id的长度是1，完全不需要循环，直接写更简洁：

temp = pd.date_range(date_from, date_to)[:len(pr_daily)]
df = pd.DataFrame({
    'date': temp,
    'system_id': a_id[0],  # 若为numpy数组则用a_id[0].item()
    'simulated_yield_in_kWh': pr_daily[:, 0],
    'gloabl_irradiance_tilted_in_kWh_per_m2': rad_daily[:, 0]
})
finalDataframes.append(df)

为什么之前会出现NaN？ #

当你给DataFrame列赋值一个长度为1的数组（比如numpy的array([1001])）时，pandas会把它当作长度为1的序列，和目标列的342行长度不匹配，无法对齐，最终就会填充为NaN。而如果赋值的是单个标量（比如整数1001），pandas会自动将这个值广播到每一行，完美匹配长度。

内容的提问来源于stack exchange，提问作者Timo K