当两个 DataFrame 索引不一致时，df1.add(df2) 会基于索引对齐导致拼接而非逐行相加；需重置索引或转为 NumPy 数组后运算，再除以 2 得到正确的逐元素平均值。
当两个 dataframe 索引不一致时，`df1.add(df2)` 会基于索引对齐导致拼接而非逐行相加；需重置索引或转为 numpy 数组后运算，再除以 2 得到正确的逐元素平均值。
在 Pandas 中，DataFrame 的算术运算（如 .add()、+）默认基于行索引（index）和列名双重对齐。若 d1 的索引为 [477, 478, ..., 572]，而 d2 的索引为 [0, 1, ..., 95]，则 d1.add(d2) 不会将第 0 行与第 0 行相加，而是尝试按索引值匹配——因无交集，结果等价于垂直拼接（concat），最终得到 192 行，这正是用户观察到的异常行为。
✅ 正确做法是确保两 DataFrame 具有完全一致的整数位置索引（0~95），再执行逐元素加法与平均：
# 方案 1：重置索引后运算（推荐，语义清晰、安全）
dataM = (d1.reset_index(drop=True)
.add(d2.reset_index(drop=True), fill_value=0)
.div(2))
该方案显式消除原始索引影响，reset_index(drop=True) 将索引重置为标准 RangeIndex(0, 96)，.add(..., fill_value=0) 处理可能的列名差异（此处无需，但保留健壮性），最后 .div(2) 得到平均值。
✅ 方案 2：利用 NumPy 数组避免索引对齐（高效，适合纯数值计算）
# 方案 2：直接使用 NumPy 运算（忽略索引，严格按位置对齐） dataM = d1.add(d2.to_numpy(), fill_value=0).div(2)
d2.to_numpy() 将 d2 转为 (96, 3) 数组，d1.add(array) 会自动按位置广播相加（Pandas 1.2+ 支持），无需索引匹配，性能更优且代码更简洁。
⚠️ 注意事项：
- 避免直接使用 d1 + d2：它同样受索引对齐影响，行为与 .add() 一致；
- fill_value=0 在本例中非必需（因列名完全匹配），但建议保留以增强鲁棒性；
- 若 DataFrame 含缺失值（NaN），fill_value 可控制填充逻辑；若需保持 NaN 传播，可省略 fill_value 并用 .mean(axis='columns') 替代；
- 最终结果 dataM 形状恒为 (96, 3)，列名继承自 d1（或 d2，取决于对齐顺序）。
总结：Pandas 的“对齐优先”设计保障了数据安全性，但在明确需位置对齐时，必须主动重置索引或切换至 NumPy 模式。两种方案均能精准实现目标——96 行 × 3 列的逐元素平均值 DataFrame。
