df1 + df2 出现大量 nan 是因为 pandas 默认按索引（行名+列名）严格对齐而非位置；不匹配处填 nan；可改用 .values 相加、add(fill_value=0) 或 align() 预对齐。
为什么 df1 + df2 结果里很多 NaN？
因为 Pandas 在算术运算时默认按索引（行名 + 列名）严格对齐，不是按位置。两个 DataFrame 的索引不完全重合，缺失位置就填 NaN。
- 常见错误现象：
df_a + df_b后大量NaN，但数据明明“看起来一样多” - 本质是：Pandas 先匹配
df_a.index == df_b.index和df_a.columns == df_b.columns，再计算；不匹配的单元格不参与运算，直接返回NaN - 典型场景：合并不同来源的月度销售表（索引是日期），但某个月一方缺数据、另一方有空值，或列顺序不一致
- 示例：
pd.DataFrame({'A': [1,2]}, index=[0,1]) + pd.DataFrame({'A': [10]}, index=[1])→ 第 0 行A是NaN，只第 1 行算出12
想按位置相加，而不是按索引对齐，怎么办？
用 .values 或 numpy 底层数组操作，绕过 Pandas 的自动对齐逻辑。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
-
df1.values + df2.values返回numpy.ndarray，形状必须一致，否则报ValueError: operands could not be broadcast together - 如果只要结果是 DataFrame，得手动重建：
pd.DataFrame(df1.values + df2.values, index=df1.index, columns=df1.columns) - 注意：这会丢弃索引语义（比如时间对齐失效），且不检查 dtype 兼容性——
int + str会静默变成object类型 - 更安全的替代：用
df1.add(df2, fill_value=0)，它仍走对齐逻辑，但把缺失值当0处理，适合补零后计算
reindex() 和 align() 哪个更适合预处理对齐？
align() 更直接，reindex() 更灵活但容易漏配对。
-
df1.align(df2, join='outer')返回两个对齐后的 DataFrame，索引和列都统一为并集，天然配对，推荐用于后续运算前的一步式准备 -
df1.reindex(df2.index, columns=df2.columns)只对齐 df1，df2 不变，容易误以为“已经对齐”，实际 df2 还是原样，下一步运算仍可能出NaN - 性能影响：
align()内部做了两次reindex，比单次reindex稍慢，但逻辑清晰、不易出错 - 兼容性注意：Pandas 2.0+ 中
align()默认copy=True，大表慎用；可加copy=False避免内存翻倍
GroupBy 后的 agg 为什么也出现意外 NaN？
因为 agg 对每个分组单独调用函数，若某组为空（比如某类别在数据中根本没出现），结果就会是 NaN，这不是 bug，是设计行为。
- 常见错误现象：用
df.groupby('category').agg({'sales': 'sum'})，输出里某个 category 对应NaN，但查原始数据发现该 category 存在——其实是该 category 所有sales值全为NaN，sum()默认跳过NaN，空组返回NaN - 解决办法：显式控制空组行为，例如
.agg({'sales': ('sum', 'min_count=1')}（Pandas 2.1+）或先用dropna=False保全分组，再用fillna(0) - 关键点：GroupBy 的对齐发生在分组键层面，不是数值层面；
agg不做跨组填充，它只负责“把这一组的数喂给函数”
where()、甚至 concat() 的 join 参数。一旦索引不干净，问题会层层传导，最后在看似无关的操作里冒出来。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
