Pandas中直接用+相加遇NaN会传播而非跳过，需用fillna(0)或add(fill_value=0)处理；索引不对齐时+更严格，add更可控；含NaN整数列自动转float64，可用'Int64'保持整型语义。

直接用 + 相加会出 NaN？先看空值怎么处理

只要 A 或 B 任意一个位置是 NaN，df['A'] + df['B'] 的结果在那一行就是 NaN——这是 Pandas 默认行为，不是 bug，但常被当成“加法失效”。

• 默认加法不跳过 NaN，而是传播它（类似 NumPy）
• 如果想把 NaN 当 0 加，得显式填充：df['A'].fillna(0) + df['B'].fillna(0)
• 如果只想保留两个都不为空的行，用 df['A'].add(df['B'], fill_value=0) 更稳——add() 支持 fill_value 参数，且对齐逻辑更可控

add() 和 + 看似一样，实际对齐逻辑不同

当两列索引不完全一致（比如有缺失行、顺序乱、或来自不同 DataFrame 合并后），+ 和 add() 表现不一样。

• df['A'] + df['B'] 是按索引严格对齐：索引不匹配的位置直接产出 NaN
• df['A'].add(df['B']) 也是对齐，但支持 fill_value，比如 .add(df['B'], fill_value=0) 能让缺失索引处按 0 参与运算
• 如果你刚 merge 过数据，发现相加后大片 NaN，大概率是索引没对上，别急着填空，先 print(df.index) 看一眼

整数列含 NaN 时，类型会自动变成 float64

Pandas 不允许整数型 Series 存 NaN，所以一旦原始列 A 或 B 里有空值，相加后结果列类型必为 float64，哪怕所有值都是整数。

• 这不是错误，是设计使然；强行转 int 会报 ValueError: cannot convert float NaN to integer
• 如果业务上必须整型输出，得先决定 NaN 怎么处理：丢弃（.dropna()）、填 0（.fillna(0).astype(int)）、或用可空整型（.astype('Int64')，注意是大写 I）
• 'Int64' 是 Pandas 的 nullable integer 类型，能存 NaN 且保持整数语义，但部分老版本不支持

性能差异小，但链式操作里 add() 更可靠

单次相加，+ 和 .add() 速度几乎没差别。但在复杂表达式里，.add() 的参数控制能力减少意外。

• 比如要加三列并统一把空值当 -1：df['A'].add(df['B'], fill_value=-1).add(df['C'], fill_value=-1)
• 而用 + 就得写三遍 fillna(-1)，还容易漏掉某一个
• 再比如做广播加法（一列加一个标量），df['A'] + 5 和 df['A'].add(5) 效果相同，但后者语义更明确，尤其在 pipeline 中可读性更好

实际写的时候，别无脑信“加号最简单”。空值怎么算、索引对不对、类型要不要保、后续还链不链——这几个点没理清，一行 df['C'] = df['A'] + df['B'] 就可能埋下后面两小时 debug 的坑。