Python 组合两只熊猫系列？

我有两个熊猫系列，s1和s2，我想结合

s1 = pd.Series([2,5,5], index=['a','b','c'])
s2 = pd.Series([2,4,7], index=['a','b','d'])

这就是我想要的结果：

s3 = pd.Series([4,9,5,7], index=['a','b','c','d'])

a    4
b    9
c    5
d    7
dtype: int64

我已经尝试了+运算符、s1.appends2和pd.join[s1，s2]，但它们并没有给出我想要的结果。

似乎add在这里可以工作

s1.add(s2,fill_value=0)
Out[145]: 
a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

似乎add在这里可以工作

s1.add(s2,fill_value=0)
Out[145]: 
a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

---

只需使用pandas.Series.add

s3 = s1.add(s2, fill_value=0)

#result
a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

---

只需使用pandas.Series.add

s3 = s1.add(s2, fill_value=0)

#result
a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

补充的替代方案

输出：

a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

补充的替代方案

输出：

a    4.0
b    9.0
c    5.0
d    7.0
dtype: float64

Numpy np.add.at 这有点可笑，但我想展示一些不同的东西

import numpy as np
import pandas as pd
from itertools import chain

k, v = zip(*chain(*map(pd.Series.items, [s1, s2])))
i, r = pd.factorize(k)
out = np.zeros(len(r), dtype=int)
np.add.at(out, i, v)
pd.Series(out, r)

a    4
b    9
c    5
d    7
dtype: int64

Numpy np.add.at 这有点可笑，但我想展示一些不同的东西

import numpy as np
import pandas as pd
from itertools import chain

k, v = zip(*chain(*map(pd.Series.items, [s1, s2])))
i, r = pd.factorize(k)
out = np.zeros(len(r), dtype=int)
np.add.at(out, i, v)
pd.Series(out, r)

a    4
b    9
c    5
d    7
dtype: int64

---

有一个简单的答案，直接从这里，你会得到它

在这里为您提供用例

第一个数据帧：

第二数据帧：

Simple DataFrame.add+fill_值，如文档所述：

>>> s1.add(s2, fill_value=0)
a    4.0
b    8.0
c    5.0
d    7.0
dtype: float64

文件：

填充值：无或浮点值，默认为无

填充现有缺少的NaN值，以及 数据帧对齐成功，计算前使用此值。如果 两个相应数据帧位置中的数据都缺少结果 将会失踪

---

有一个简单的答案，直接从这里，你会得到它

在这里为您提供用例

第一个数据帧：

第二数据帧：

Simple DataFrame.add+fill_值，如文档所述：

>>> s1.add(s2, fill_value=0)
a    4.0
b    8.0
c    5.0
d    7.0
dtype: float64

文件：

填充值：无或浮点值，默认为无

填充现有缺少的NaN值，以及 数据帧对齐成功，计算前使用此值。如果 两个相应数据帧位置中的数据都缺少结果 将会失踪

---

s1.adds2如何？s1.adds2如何？这很好，但当pandas DataFrame.add存在时，它看起来很长：-@pygo因此评论很可笑。我个人认为，这可以说明如何以不同的方式来做。如果人们看到这些备选答案，他们可能会将这些知识结合起来，并在以后找到更好的用途。当然，这对PPL是有好处的，而不是寻找这样的逻辑，thnx。这很好，但当pandas DataFrame.add存在时，似乎太长了：-@pygo因此评论很可笑。我个人认为，这可以说明如何以不同的方式来做。如果人们看到这些备选答案，他们可能会将这些知识结合起来，并在以后找到更好的用途。当然，这对PPL有好处，而对于寻找此类逻辑，thnx。这些是系列，因此正确的方法是pandas.Series.add。另外，@W-BThnx指出了这一点，链接只是站在正确的位置上，我知道它是由@W-B和Drew Nicolette提出的，但我想将其与原始文档联系起来，同时在这里展示用例，我坚定地相信获得和放置解释，喜欢这种风格，因为它有助于新手理解幕后故事：。这些是系列，所以正确的方法是pandas.Series.add。另外，@W-BThnx指出了这一点，链接只是站在正确的位置上，我知道它是由@W-B和Drew Nicolette提出的，但我想将其与原始文档联系起来，同时在这里展示用例，我坚定地相信得到并把解释和喜欢的风格，因为它有助于新手理解引擎盖下：。