使用.loc在索引不同但长度相等的Series间赋值的问题

这个问题的核心是pandas在赋值时会严格按索引对齐，而不是按你选中行的顺序来赋值。你选中的df.name == 'a'的行索引是[0,2]，但vals_a的索引是[0,1]——pandas只会把vals_a中索引0的值给到df的0行，索引1的值找不到df中对应索引的行（df的1行不是name='a'），所以df的2行就只能填充NaN；同理vals_b的索引1对应df的1行，所以df的1行得到54，3行因为没有对应索引的值变成NaN。

下面给你几种可行的解决方案，适配不同的场景：

方案1：直接按顺序赋值（忽略索引） #

如果你的vals_a和vals_b的顺序和df中筛选出的行顺序完全一致，最简单的方法是取Series的values属性（这会把它转换成numpy数组，不携带索引信息），这样pandas就会按顺序把值赋给筛选出的行：

import pandas as pd

df = pd.DataFrame({'name': ['a', 'b', 'a', 'b'], 
                   'num': [1, 1, 2, 2], 
                   'val': None})
vals_a = pd.Series([21,32])
vals_b = pd.Series([43,54])

df.loc[df.name == 'a', 'vals'] = vals_a.values
df.loc[df.name == 'b', 'vals'] = vals_b.values

执行后就能得到你想要的结果：

name  num   val  vals
0    a    1  None  21.0
1    b    1  None  43.0
2    a    2  None  32.0
3    b    2  None  54.0

方案2：通过关联键映射（更稳妥，适合复杂场景） #

如果实际场景中vals_a/vals_b的顺序不一定和筛选行的顺序对应，但它们和num列是一一对应的（比如num=1对应第一个值，num=2对应第二个值），推荐用映射或合并的方式，避免索引带来的问题：

子方案2.1：用字典映射+apply #

先把name、num和vals的对应关系整理成字典，再通过apply逐行匹配：

# 构建name -> (num: vals)的映射
vals_mapping = {
    'a': {1:21, 2:32},
    'b': {1:43, 2:54}
}

df['vals'] = df.apply(lambda row: vals_mapping[row['name']][row['num']], axis=1)

子方案2.2：合并小DataFrame #

如果你的vals来自另一个DataFrame的切片，更清晰的方式是把vals整理成带关联键（name和num）的小DataFrame，再和原df合并：

# 模拟从其他DataFrame切片得到的vals数据
vals_df = pd.DataFrame({
    'name': ['a','a','b','b'],
    'num': [1,2,1,2],
    'vals': [21,32,43,54]
})

# 按name和num合并，保留原df的所有行
df = df.merge(vals_df, on=['name','num'], how='left')

这种方法的优势是逻辑清晰，不容易出错，尤其适合数据量较大或关联条件复杂的场景。

内容的提问来源于stack exchange，提问作者Cilantro Ditrek