Pandas DataFrame拼接行报错：无法拼接numpy.float64类型对象

你遇到的问题本质是pd.concat不支持直接拼接标量值，而且即使转成Series，若不处理索引/结构也会导致方向错误。更关键的是，直接在循环里用pd.concat会严重影响效率——每次concat都会创建新的DataFrame对象，频繁复制数据。下面给你几个更高效的解决方案：

最优方案：用pandas分组功能替代手动循环 #

既然你是按cluster ID分组提取数据，完全可以用pandas内置的groupby，这是经过底层优化的操作，比手动遍历行高效得多：

# 按cluster ID对原数据分组
cluster_groups = result.groupby('cluster ID')

# 遍历每个分组，直接生成对应的X和y
for cluster_id, group in cluster_groups:
    # 提取需要的列作为X，自动保留列名结构
    X = group[['first occurrence of \'AB\'','similarity to \'AB\'']].reset_index(drop=True)
    # 提取Class列作为y
    y = group[['Class']].reset_index(drop=True)
    
    # 这里添加你对每个cluster的X和y的后续处理逻辑

备选方案：先收集数据到列表，最后转成DataFrame #

如果不想用groupby，也可以先把数据存到列表里，最后一次性转成DataFrame，避免循环里反复执行concat操作：

# 按每个cluster初始化存储数据的字典（用于区分不同cluster的数据集）
cluster_data = {}
for i in k_means_labels_unique:
    cluster_data[i] = {'X': [], 'y': []}

# 遍历所有行，按cluster分类收集数据
for _, data in result.iterrows():
    cluster_id = data['cluster ID']
    # 收集X的两个字段，用字典保持列对应关系
    cluster_data[cluster_id]['X'].append({
        'first occurrence of \'AB\'': data['first occurrence of \'AB\''],
        'similarity to \'AB\'': data['similarity to \'AB\'']
    })
    # 收集y的Class字段
    cluster_data[cluster_id]['y'].append({'Class': data['Class']})

# 最后批量转成DataFrame
for cluster_id in cluster_data:
    X = pd.DataFrame(cluster_data[cluster_id]['X'])
    y = pd.DataFrame(cluster_data[cluster_id]['y'])
    # 后续处理逻辑

为什么你之前的方法会出问题？ #

1. 标量拼接报错：data['first occurrence of \'AB\'']提取的是单个numpy标量值（不是Series/DataFrame），而pd.concat只接受Series、DataFrame这类可拼接的结构化对象，所以触发TypeError。
2. Series被追加为列：你尝试pd.concat([y,pd.Series(data['Class'])])时，因为Series没有指定与y匹配的列索引，pandas会默认把它当成新列拼接。如果一定要用这种方式（不推荐，效率极低），需要把Series转成和y结构一致的单行DataFrame：

   # 转成单行DataFrame再拼接
   y = pd.concat([y, pd.DataFrame({'Class': [data['Class']]})], ignore_index=True)
   

但再次强调：循环里反复用pd.concat是非常低效的写法，优先选择前面两种批量处理的方法。

内容的提问来源于stack exchange，提问作者Jessica Chambers