Pandas中使用iloc赋值时匹配TTS列值而非索引值的技术问题

我来帮你搞定这个现金流表的填充问题！你遇到的NaN问题，核心原因是索引对齐导致的赋值不匹配：当你用df_CF.iloc[df_data.TTS, 0] = df_data.REV时，df_data.REV是一个带索引（0、1、2）的Series，而你选中的df_CF行索引是9、12、15，两者无法对齐，所以pandas无法正确赋值，最终返回NaN。

下面给你两种可行的解决方案，按需选择：

方案一：用iloc直接按位置赋值（适合Months与行位置一致的场景） #

这种方式直接跳过索引对齐，把REV的值作为纯数组赋值到指定行位置：

import pandas as pd

# 原始资产数据
df_data = pd.DataFrame({'Asset_Id':[1,2,3] ,'REV':[150000.00,200000.00,250000.00] ,'TTS':[9,12,15]})

# 创建初始全零现金流表
df_CF = pd.DataFrame({'Income':[0.00 for n in range(24)], 'Months':range(0,24)})

# 将TTS转为位置数组，REV转为值数组，直接赋值
df_CF.iloc[df_data['TTS'].values, 0] = df_data['REV'].values

执行后，df_CF的第9、12、15行（对应Months=9、12、15）的Income列就会正确填入对应的REV值。

方案二：用loc匹配Months列值（更通用，可读性更强） #

如果后续Months列可能和行位置不一致，推荐用这种方式，直接匹配月份值来赋值：

import pandas as pd

df_data = pd.DataFrame({'Asset_Id':[1,2,3] ,'REV':[150000.00,200000.00,250000.00] ,'TTS':[9,12,15]})
df_CF = pd.DataFrame({'Income':[0.00]*24, 'Months':range(0,24)})

# 构建TTS到REV的映射字典
tts_rev_dict = df_data.set_index('TTS')['REV'].to_dict()

# 用map匹配月份，无匹配的保持0
df_CF['Income'] = df_CF['Months'].map(tts_rev_dict).fillna(0)

这种方式不仅简洁，而且避免了行位置和月份值混淆的问题，数据量较大时效率也更高。

为什么你的原代码会出错？ #

再补充说明下：你的原代码中，df_data.TTS返回的是9,12,15，iloc确实会定位到df_CF的第9、12、15行，但df_data.REV是带索引的Series（索引为0、1、2），pandas会尝试把索引0对应到df_CF的行9，索引1对应行12...显然两者没有匹配关系，所以赋值失败，最终这些位置变成NaN。

内容的提问来源于stack exchange，提问作者Jordi Yu