Python 3.x 在将standardscaler应用于其中一个数据帧之后，如何合并回两个数据帧？

我在合并我的两个dfs时遇到问题。我有一个5列的数据帧，4列是二进制的，一列是连续的。因此，我只想将standardscaler应用于一个：

scaler = StandardScaler()
numeric_df = pd.DataFrame(scaler.fit_transform(X_train['temperature']),columns=['temperature'])
X_train_new = X_train.drop(columns=['temperature'])

result =pd.concat([numeric_df,X_train_new],axis=1)

但是，结果没有正确追加，它的行数比数值_df和x-train-new多？当这些数据帧的长度相等时，这是怎么可能的

当使用标准定标器后，数值_df有一个重置的索引时，我如何确保当我将它们也合并时，它们是基于原始索引的

pd.concat([X_train_new.reset_index(),numeric_df],axis=1) 

---

当我做上述的时候，它是如何工作的？我不明白为什么我需要这样做，如果在重置两个数据帧的索引后，它对应于原始的

，这是因为两个数据帧中的索引不同。尝试：

# this has range index
numeric_df = pd.DataFrame(scaler.fit_transform(X_train['temperature']),columns=['temperature'])

# so we make this with range index as well
X_train_new = X_train.drop(columns=['temperature']).reset_index(drop=True)

result =pd.concat([numeric_df,X_train_new],axis=1)

或者如果您希望保留

X\u列车的索引

：

numeric_df = pd.DataFrame(scaler.fit_transform(X_train['temperature']),
                          columns=['temperature'],
                          index=X_train.index)    # here

X_train_new = X_train.drop(columns=['temperature'])

result =pd.concat([numeric_df,X_train_new],axis=1)