DataFrame列与数组匹配失败及索引越界问题求助

你遇到的问题其实是浮点数的二进制存储精度问题导致的。比如np.arange(0.,1.,0.1)生成的数值并不是精确的十进制小数——举个例子，0.4在这个数组里实际存储的是0.4000000000000001，而np.arange(0.9,0.,-0.1)生成的0.4却是精确的0.4，直接用==比较时，这两个值会被判定为不相等，导致返回空Series；而第二次出现在in2里的0.4是np.arange(0.,0.9,0.1)生成的，和df1里的0.4000000000000001一致，所以能匹配成功。

方案1：用近似匹配代替精确相等 #

使用numpy.isclose()函数来判断两个浮点数是否近似相等（默认允许的误差范围已经足够处理这类累加产生的精度问题）：

修改循环内的匹配代码：

for i in range(len(in_func)):
    # 用isclose做近似匹配
    a = df1.loc[np.isclose(df1['input'], in_func[i]), 'output']
    # 加个判断避免空Series触发索引错误
    if not a.empty:
        b[i] = a.iloc[0]
    else:
        # 处理匹配不到的情况，比如赋值NaN或者其他默认值
        b[i] = np.nan

方案2：四舍五入到固定小数位 #

既然你的数值都是保留1位小数的，可以直接把所有值四舍五入到1位小数后再比较：

# 提前给df1的input列做四舍五入
df1['input'] = df1['input'].round(1)
# in_func也做同样处理
in_func = np.round(in_func, 1)

# 之后原来的循环代码就可以正常运行了
for i in range(len(in_func)):
    a = df1.loc[df1['input']==in_func[i], 'output']
    b[i] = a.iloc[0]

方案3：用pandas合并代替循环（更高效） #

如果数据量较大，循环会比较慢，推荐用merge方法直接关联两个数据集，同时处理精度问题：

# 把in_func转成DataFrame并处理精度
in_df = pd.DataFrame({'input': in_func})
in_df['input_rounded'] = in_df['input'].round(1)

# 给原df1也加一个精度处理后的列
df1['input_rounded'] = df1['input'].round(1)

# 合并两个DataFrame，按处理后的列关联
merged_df = in_df.merge(df1, on='input_rounded', how='left')

# 直接提取output列作为结果数组
b = merged_df['output'].values

这个方法不仅避免了循环，还自动处理了所有匹配情况，不会出现索引越界的错误。

内容的提问来源于stack exchange，提问作者fouk