Python 使用NaNs添加两个系列

我正在学习“Python For Data Analysis”，但我不了解特定的功能。添加两个熊猫系列对象将自动对齐索引数据，但如果一个对象不包含该索引，则返回为NaN。例如，本书：

a = Series([35000,71000,16000,5000],index=['Ohio','Texas','Oregon','Utah'])
b = Series([NaN,71000,16000,35000],index=['California', 'Texas', 'Oregon', 'Ohio'])

结果:

    In [63]: a
    Out[63]: Ohio          35000
             Texas         71000
             Oregon        16000
             Utah           5000
    In [64]: b
    Out[64]: California      NaN
             Texas         71000
             Oregon        16000
             Ohio          35000

当我把它们加在一起，我得到这个

    In [65]: a+b
    Out[65]: California       NaN
             Ohio           70000
             Oregon         32000
             Texas         142000
             Utah             NaN

那么为什么犹他州的价值是NaN而不是500？似乎500+NaN=500。有什么好处？我遗漏了什么，请解释一下

更新：

---

Pandas不假设500+NaN=500，但要求它这样做很容易：

a.add（b，fill_value=0）

默认方法是假设任何涉及NaN的计算结果都是NaN。任何加上NaN的都是NaN，任何除以NaN的都是NaN，等等。如果你想用一些值填充NaN，你必须明确地这样做（正如Dan Allan在他的回答中所显示的那样）。

使用

pd.concat（）

更有意义，因为它可以接受更多的列

import pandas as pd
import numpy as np

a = pd.Series([35000,71000,16000,5000],index=['Ohio','Texas','Oregon','Utah'])
b = pd.Series([np.nan,71000,16000,35000],index=['California', 'Texas', 'Oregon', 'Ohio'])

pd.concat((a,b), axis=1).sum(1, min_count=1)

输出：

California         NaN
Ohio           70000.0
Oregon         32000.0
Texas         142000.0
Utah            5000.0
dtype: float64

---

或与3系列：

import pandas as pd
import numpy as np

a = pd.Series([1, np.NaN, 4, 5])
b = pd.Series([3, np.NaN, 5, np.NaN])
c = pd.Series([np.NaN,np.NaN,np.NaN,np.NaN])

print(pd.concat((a,b,c), axis=1).sum(1, min_count=1))

#0    4.0
#1    NaN
#2    9.0
#3    5.0
#dtype: float64

---

既然您提到了这本书，您可以参考第128页的“算术和数据对齐”部分，其中讨论了这一点返回两者的并集！！我需要add（）方法。太棒了，谢谢@dbiamante@DanAllen！已解决：“+”运算符执行两个运算符的并集。我需要的是.add（）方法。

import pandas as pd
import numpy as np

a = pd.Series([1, np.NaN, 4, 5])
b = pd.Series([3, np.NaN, 5, np.NaN])
c = pd.Series([np.NaN,np.NaN,np.NaN,np.NaN])

print(pd.concat((a,b,c), axis=1).sum(1, min_count=1))

#0    4.0
#1    NaN
#2    9.0
#3    5.0
#dtype: float64