浮点数作为索引的pandas Series相加结果全为NaN是什么原因？

你遇到的是pandas的标准设计行为，完全符合预期，不是版本bug也不是语法错误，核心是对Series算术运算的默认规则不熟悉导致的。

核心原因 #

pandas中所有带标签的结构化对象（Series、DataFrame）做算术运算时，默认会执行精确索引对齐：

• 只有两个对象中完全相同的索引标签对应的数值才会参与运算
• 仅在单侧出现的索引标签，运算结果默认填充NaN

你的示例里seriesA的索引为[0.0, 8.92]，seriesB的索引为[0.5, 0.8]，没有任何相同的索引标签，因此相加后所有结果都是NaN。

适配你的场景的解决方案 #

你需要处理非递减浮点数索引的类时间序列场景，不需要精确标签匹配的话，可以用以下两种常用方案：

方案1：先重索引对齐再运算 #

先取两个Series索引的并集作为公共索引，再用你需要的填充规则（比如时间序列常用的前向填充，取最近的历史值）对齐两个Series后再运算：

import pandas as pd

seriesA = pd.Series([0.0, 1.2], index=[0.0, 8.92])
seriesB = pd.Series([-3.34, 2.7], index=[0.5, 0.8])

# 生成排序后的公共索引
common_idx = seriesA.index.union(seriesB.index).sort_values()
# 前向填充对齐，可根据需求修改method参数为bfill（后向填充），或指定fill_value固定填充值
a_aligned = seriesA.reindex(common_idx, method='ffill')
b_aligned = seriesB.reindex(common_idx, method='ffill')

# 运算得到非NaN结果
res = a_aligned + b_aligned

方案2：使用merge_asof做近似匹配 #

如果浮点数索引存在精度误差，或者需要按索引大小做区间匹配，可以用pd.merge_asof，这个方法专门适配有序索引的非精确匹配场景，非常适合你提到的通用非递减类时间序列需求：

# 先把Series转为DataFrame方便merge
df_a = seriesA.reset_index(name='val_a')
df_b = seriesB.reset_index(name='val_b')
# 按index列做近似合并，默认前向匹配
merged = pd.merge_asof(df_a, df_b, on='index')
# 运算得到结果
res = merged.set_index('index').sum(axis=1)

内容的提问来源于stack exchange，提问作者Tom