Pandas 如何在不得到 NaN 的情况下添加具有不同索引的 Pandas Series

在数据处理过程中，经常需要将具有相似但不相同索引的 Pandas Series 进行相加。如果两个 Pandas Series 具有相同的索引，则 Pandas 会自动将它们相加，这样很容易。但如果两个 Pandas Series 其中一个索引不存在于另一个 Pandas Series 中，则会生成 NaN 值，这种情况下需要进行特殊处理。

阅读更多：Pandas 教程

方法一：使用 Pandas 库的 add() 函数

Pandas 库提供了 add() 函数，可以用于将具有不同索引的 Pandas Series 相加。如果两个 Series 具有相同的索引，则 Pandas 将它们相加，否则会用指定值（默认为 0）填充缺失值。这样我们就可以在不得到 NaN 值的情况下进行相加操作。

下面是使用 add() 函数的示例：

import pandas as pd

a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
b = pd.Series([4, 5, 6], index=['a', 'c', 'd'])
c = a.add(b, fill_value=0)

print(c)

输出如下：

a    5.0
b    2.0
c    7.0
d    6.0
dtype: float64

在上面的例子中，我们将两个 Series （a 和 b）相加，并将结果赋给变量 c。由于两个 Series 具有不同的索引，我们使用 add() 函数并传递一个 fill_value 参数来填充缺失值。

方法二：使用 combine_first() 函数

Pandas 库还提供了 combine_first() 函数，也可以用于相加具有不同索引的 Pandas Series，并且不产生 NaN 值。它的工作原理是使用第一个 Series 的值填充第二个 Series 中缺失的值，并返回新的 Series，其中缺失值已经被填充。

以下是使用 combine_first() 的示例代码：

import pandas as pd

a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
b = pd.Series([4, 5, 6], index=['a', 'c', 'd'])
c = b.combine_first(a)

print(c)

输出如下：

a    4.0
b    2.0
c    5.0
d    6.0
dtype: float64

在上面的例子中，我们将 b 和 a 相加，并将结果赋给变量 c。由于两个 Series 具有不同的索引，我们使用 combine_first() 函数，并将 a 作为参数传递给它。

方法三：手动补齐缺失值

除了使用 Pandas 库的函数之外，我们还可以通过手动填充缺失值的方式相加两个具有不同索引的 Pandas Series。我们可以使用 reindex() 函数为两个 Pandas Series 根据它们的并集创建一个新的 Series，并将缺失值填充为零或其他值。

以下是手动填充缺失值的示例代码：

import pandas as pd

a = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
b = pd.Series([4, 5, 6], index=['a', 'c', 'd'])

a = a.reindex(['a', 'b', 'c', 'd'], fill_value=0)
b = b.reindex(['a', 'b', 'c', 'd'], fill_value=0)

c = a + b

print(c)

输出如下：

a    5
b    2
c    8
d    6
dtype: int64

在上面的例子中，我们使用 reindex() 函数为两个 Pandas Series 创建一个新的 Series，并用 fill_value 参数填充缺失值。然后我们将两个 Series 相加，得到结果 Series c。

总结

在本文中，我们介绍了三种方法来相加具有不同索引的 Pandas Series，以避免生成 NaN 值。第一种方法是使用 Pandas 库的 add() 函数，可以用来将两个 Series 相加，并用指定值填充缺失值。第二种方法是使用 Pandas 库的 combine_first() 函数，可以将两个 Series 相加并在第二个 Series 中填充缺失值。第三种方法是手动填充缺失值，使用 reindex() 函数为两个 Series 创建一个新的 Series，并用 fill_value 参数填充缺失值。根据不同的场景，我们可以选择适合自己的方法来处理具有不同索引的 Pandas Series 相加的问题。