Pandas：在两个DataFrame间拆分并复制列值

这问题其实挺常见的，核心就是避开Pandas默认的索引对齐机制，直接按位置把Old的Values列拆分成New的两列就行。下面给你两种简单可靠的实现方式，附示例演示：

方法一：用.values绕过索引对齐 #

直接把截取后的Series转换成numpy数组，这样Pandas就不会按索引匹配，而是严格按位置顺序赋值：

import pandas as pd

# 构造示例数据（用6行/3行模拟你的96行/48行场景）
Old = pd.DataFrame({'Values': [1,2,3,40,50,60]})
New = pd.DataFrame(index=range(3), columns=['First', 'Second'])

# 前48行（示例中是前3行）赋值给First列
New['First'] = Old['Values'].iloc[:48].values
# 后48行（示例中是后3行）赋值给Second列
New['Second'] = Old['Values'].iloc[48:].values

执行后New的结果完全符合预期：

First  Second
0      1      40
1      2      50
2      3      60

方法二：重置索引后赋值 #

如果不想依赖numpy数组，也可以给截取后的Series重置索引（丢弃原索引），让它和New的索引完全匹配：

# 前48行重置索引后赋值
New['First'] = Old['Values'].iloc[:48].reset_index(drop=True)
# 后48行重置索引后赋值
New['Second'] = Old['Values'].iloc[48:].reset_index(drop=True)

为什么直接赋值会出问题？ #

Pandas默认会根据索引对齐数据——如果Old的索引和New的索引不完全匹配（比如Old的索引是不连续、非顺序的），直接赋值就会出现NaN或者错位的情况。而上面两种方法都是强制按位置而非索引来对应数据，完美解决这个问题。

内容的提问来源于stack exchange，提问作者Alasdair