Pandas使用pd.concat合并DataFrames时出现异常行为

嘿，这个问题我之前踩过一模一样的坑！你碰到的形状异常，90%的概率是**df和zip_encoded的索引不匹配**导致的，咱们一步步拆解问题和解决：

问题根源分析 #

当你用label_binarizer.transform得到数组后转成DataFrame时，zip_encoded默认会生成从0开始的连续整数索引。但如果你的原始df之前做过过滤、排序、分组这类操作，它的索引可能已经不是连续的0开头序列了。pd.concat(axis=1)是按索引对齐来拼接的，这时候就会出现行数不对、甚至多出很多NaN行的情况，最终导致形状异常。

快速排查验证 #

先加两行代码确认索引是否一致：

print("原始df的索引：", df.index)
print("独热编码后的zip_encoded索引：", zip_encoded.index)

如果输出的索引序列不一样，那就是问题的核心所在了。

解决方案 #

方案一：创建zip_encoded时直接复用df的索引（推荐） #

在把独热编码数组转成DataFrame的时候，直接指定index=df.index，让两个DataFrame的索引完全对齐：

zip_encoded = label_binarizer.transform(df["zipcode"])
# 这里添加index参数，复用原始df的索引
zip_encoded = pd.DataFrame(zip_encoded, columns=label_binarizer.classes_, index=df.index)
df = df.drop("zipcode", axis=1)
# 现在再拼接就不会有问题了
result = pd.concat([df, zip_encoded], axis=1)

这个方法最稳妥，因为它保证了每一行的原始数据和对应的独热编码完全匹配，不会出现数据错位。

方案二：强制忽略索引对齐（仅当你确认不需要索引匹配时使用） #

如果你确定不需要按索引对齐，只是想简单把两部分横向拼在一起，可以先重置两个DataFrame的索引：

# 重置索引并丢弃原索引
df_reset = df.reset_index(drop=True)
zip_encoded_reset = zip_encoded.reset_index(drop=True)
result = pd.concat([df_reset, zip_encoded_reset], axis=1)

不过这个方法要谨慎，因为如果原索引存在错位的话，可能会导致原始数据和独热编码对应错误。

验证拼接结果 #

拼接完成后，可以用下面的代码确认是否正常：

print("拼接后数据形状：", result.shape)
print("是否存在缺失值：", result.isna().any().any())

如果形状符合预期且没有缺失值，就说明问题解决啦！

内容的提问来源于stack exchange，提问作者anon_swe