Pandas 0.19.2求和异常：含缺失值的Series为何返回NaN而非0？

嘿，我碰到过类似的情况，来帮你理清楚～

首先，咱们先拆解下你的问题：你把多列的value_counts()结果合并后，用sum()求和时，那些只在部分列出现的类别对应的行返回了NaN，但你期望这些缺失值被当作0来计算。

问题根源 #

Pandas的value_counts()只会统计列中实际出现过的类别，当你合并多个这类Series时，某个类别如果只在其中一列存在，其他列就会用NaN填充这个位置。虽然官方文档说“求和时NA视为0”，但这个描述其实是针对单Series中跳过NaN求和（比如pd.Series([2, NaN]).sum()会返回2，等价于把NaN当作0）；但在合并后的DataFrame中，老版本（比如0.19.2）的sum(axis=1)如果遇到NaN，若没显式处理缺失值，结果就容易不符合预期——也有可能你不小心设置了skipna=False（默认是True，但手动修改后就会返回NaN）。

解决方案：先填充缺失值再求和 #

最直接的办法是在合并后先把NaN替换成0，再执行求和操作。举个模拟你场景的例子：

import pandas as pd

# 模拟你的数据源
df = pd.DataFrame({
    'Col1': ['apple', 'banana', 'apple', 'orange'],
    'Col2': ['banana', 'orange', 'orange', 'grape'],
    'Col3': ['apple', 'grape', 'grape', 'grape']
})

# 获取每列的value_counts
vc_col1 = df['Col1'].value_counts()
vc_col2 = df['Col2'].value_counts()
vc_col3 = df['Col3'].value_counts()

# 合并成DataFrame
combined_vc = pd.concat([vc_col1, vc_col2, vc_col3], axis=1)

# 问题：直接求和会得到NaN
print("直接求和的结果：")
print(combined_vc.sum(axis=1))

# 解决：先填充NaN为0，再求和
combined_vc_filled = combined_vc.fillna(0)
print("\n填充后求和的结果：")
print(combined_vc_filled.sum(axis=1))

运行这段代码后，你会发现填充后的求和结果完全符合预期——所有类别都得到了正确的累计计数，没有NaN。

额外提示 #

因为你用的是Pandas 0.19.2这个比较老旧的版本，建议如果后续有条件的话，可以升级到较新的稳定版（比如1.x系列），新版本对缺失值的处理逻辑更清晰，文档描述也更准确，能避免这类版本差异带来的困惑。

内容的提问来源于stack exchange，提问作者Steve