如果您来到这里寻找如何获取的信息 在索引上合并
DataFrame和Series，请查看this answer。OP的初衷是要求如何分配系列元素 作为另一个DataFrame的列。如果你有兴趣知道 回答这个问题，看看EdChum的accepted answer。
我能想出的最好的是
df = pd.DataFrame({'a':[1, 2], 'b':[3, 4]}) # see EDIT below
s = pd.Series({'s1':5, 's2':6})
for name in s.index:
df[name] = s[name]
a b s1 s2
0 1 3 5 6
1 2 4 5 6
有人可以提出更好的语法/更快的方法吗？
我的尝试：
df.merge(s)
AttributeError: 'Series' object has no attribute 'columns'
和
df.join(s)
ValueError: Other Series must have a name
编辑发布的前两个答案突出显示了我的问题的问题，因此请使用以下内容构建df：
df = pd.DataFrame({'a':[np.nan, 2, 3], 'b':[4, 5, 6]}, index=[3, 5, 6])
带有最终结果
a b s1 s2
3 NaN 4 5 6
5 2 5 5 6
6 3 6 5 6
答案 0 :(得分：114)
<强>更新
从v0.24.0开始，只要系列被命名，就可以在DataFrame和Series上进行合并。
df.merge(s.rename('new'), left_index=True, right_index=True)
# If series is already named,
# df.merge(s, left_index=True, right_index=True)
如今，您只需将系列转换为to_frame()的DataFrame即可。所以（如果加入索引）：
df.merge(s.to_frame(), left_index=True, right_index=True)
答案 1 :(得分：15)
您可以从系列中构造一个数据框，然后与数据框合并。 因此，您将数据指定为值，但将它们乘以长度，将列设置为索引并将left_index和right_index的参数设置为True：
In [27]:
df.merge(pd.DataFrame(data = [s.values] * len(s), columns = s.index), left_index=True, right_index=True)
Out[27]:
a b s1 s2
0 1 3 5 6
1 2 4 5 6
编辑，如果您希望系列中构造的df的索引使用df的索引，那么您可以执行以下操作：
df.merge(pd.DataFrame(data = [s.values] * len(df), columns = s.index, index=df.index), left_index=True, right_index=True)
这假设索引与长度匹配。
答案 2 :(得分：3)
这是一种方式：
df.join(pd.DataFrame(s).T).fillna(method='ffill')
要打破这里发生的事情......
pd.DataFrame(s).T从s创建一行DataFrame，如下所示：
s1 s2
0 5 6
接下来，join将此新框架与df：
a b s1 s2
0 1 3 5 6
1 2 4 NaN NaN
最后，索引1处的NaN值使用带有前向填充（fillna）参数的ffill填充列中的先前值：
a b s1 s2
0 1 3 5 6
1 2 4 5 6
为避免使用fillna，可以使用pd.concat重复从s构造的DataFrame行。在这种情况下，一般的解决方案是：
df.join(pd.concat([pd.DataFrame(s).T] * len(df), ignore_index=True))
这是另一个解决编辑问题中提出的索引挑战的解决方案：
df.join(pd.DataFrame(s.repeat(len(df)).values.reshape((len(df), -1), order='F'),
columns=s.index,
index=df.index))
s转换为DataFrame。然后，这个新的DataFrame将加入df。
答案 3 :(得分：0)
如果我可以建议您设置这样的数据帧（自动索引）：
df = pd.DataFrame({'a':[np.nan, 1, 2], 'b':[4, 5, 6]})
然后你可以设置你的s1和s2值（使用shape（）来返回df中的行数）：
s = pd.DataFrame({'s1':[5]*df.shape[0], 's2':[6]*df.shape[0]})
然后您想要的结果很简单：
display (df.merge(s, left_index=True, right_index=True))
或者，只需将新值添加到数据框df：
df = pd.DataFrame({'a':[nan, 1, 2], 'b':[4, 5, 6]})
df['s1']=5
df['s2']=6
display(df)
两者都返回：
a b s1 s2
0 NaN 4 5 6
1 1.0 5 5 6
2 2.0 6 5 6
如果您有另一个数据列表（而不是仅应用一个值），并且您知道它与df的顺序相同，例如：
s1=['a','b','c']
然后你可以用同样的方式附上它：
df['s1']=s1
返回：
a b s1
0 NaN 4 a
1 1.0 5 b
2 2.0 6 c
答案 4 :(得分：0)
您可以轻松地将pandas.DataFrame列设置为常量。这个常数可以是int，例如您的示例。如果您指定的列不在df中，则pandas将使用您指定的名称创建一个新列。因此，在构造完数据框之后，（根据您的问题）：
df = pd.DataFrame({'a':[np.nan, 2, 3], 'b':[4, 5, 6]}, index=[3, 5, 6])
您可以运行：
df['s1'], df['s2'] = 5, 6
您可以编写循环或理解来使它对元组列表中的所有元素，字典中的键和值进行此操作，具体取决于您存储真实数据的方式。
答案 5 :(得分：0)
如果df是pandas.DataFrame，则df['new_col']= Series list_object of length len(df)将or或Series list_object添加为名为'new_col'的列。 df['new_col']= scalar（例如您的情况下为5或6）也可以使用，并且等效于df['new_col']= [scalar]*len(df)
因此，两行代码可以达到目的：
df = pd.DataFrame({'a':[1, 2], 'b':[3, 4]})
s = pd.Series({'s1':5, 's2':6})
for x in s.index:
df[x] = s[x]
Output:
a b s1 s2
0 1 3 5 6
1 2 4 5 6
答案 6 :(得分：0)
如今，更简单和简洁的解决方案可以实现相同的任务。利用 DataFrame.apply() 的功能将系列转换为其所属 DataFrame 的列，我们可以使用：
df.join(df.apply(lambda x: s, axis=1))
结果：
a b s1 s2
3 NaN 4 5 6
5 2.0 5 5 6
6 3.0 6 5 6
在这里，我们使用 DataFrame.apply() 和一个简单的 lambda 函数作为 axis=1 上的应用函数。应用的 lambda 函数只是返回 Series s：
df.apply(lambda x: s, axis=1)
结果：
s1 s2
3 5 6
5 5 6
6 5 6
结果已经继承了原 DataFrame df 的行索引。因此，我们可以简单地通过 DataFrame.join() 将 df 与这个临时结果连接起来，以获得所需的最终结果（因为它们具有相同的行索引）。
DataFrame.apply() 将系列转换为其所属 DataFrame 的列的这种功能在 official document 中有详细记录，如下所示：
默认情况下（result_type=None），最终的返回类型是从 应用函数的返回类型。
默认行为（result_type=None）取决于返回值 应用函数：类似列表的结果将作为一系列返回 那些。但是如果应用函数返回一个系列，这些是 扩展到列。
official document 还包括此类用法的示例：
<块引用>在函数内部返回一个Series类似于传递 结果类型='展开'。结果列名将是系列 索引。
df.apply(lambda x: pd.Series([1, 2], index=['foo', 'bar']), axis=1)
foo bar
0 1 2
1 1 2
2 1 2