我的训练集有307,511行，测试集有48,744行。我将它们合并成一个名为’data’的数据框，总共有356,255行。

我创建了一个系列，用于标记项目是属于训练集还是测试集。

trainlen = pd.Series([1]*len(train)+[0]*len(test))

它的长度如预期般为356,255。

当我将其添加到数据集中时，出现了奇怪的行为：

data = pd.concat([train,test])data['isTrain'] = trainlen

虽然trainlen.sum()返回了307,511（如预期），但data.isTrain.sum()返回了356,255。

只有当我使用’values’时：

data['isTrain'] = trainlen.values

data.isTrain.sum()才返回307,511。

您能解释这是为什么吗？

回答：

问题出在索引上。当您使用concat方法合并两个数据框时，索引会被拼接，生成类似这样的索引：

[0, 1, 2, ..., 307510, 0, 1, 2, 3, ... 48743]

如您所见，索引在某个点会从0重新开始。但因为您的系列也有索引，当您这样赋值时：

data['isTrain'] = trainlen # 我正在使用一个也包含索引的Series对象进行赋值！

系列中的数据只会匹配数据框中存在的索引，生成一个全是’1’的列表。（对于您的系列，与索引[0, 1, 2, 3, … 48743]匹配的值是’1’）

您的df会变成这样：

        inst  isTrain0          0        11          1        12          2        13          3        14          4        1...      ...      ...48739  48739        148740  48740        148741  48741        148742  48742        148743  48743        1

您能看到索引是错误的吗？但如果您在赋值前更改df的索引，它就会正常工作：

data.index = [i for i in range(len(data))] # 这里我在更改/重置索引data['isTrain'] = trainlenprint(trainlen.sum())print(data.isTrain.sum())

现在索引和值都是正确的！

         inst  isTrain0           0        11           1        12           2        13           3        14           4        1...       ...      ...356250  48739        0356251  48740        0356252  48741        0356253  48742        0356254  48743        0

当您使用trainlen.values时，您没有使用系列的索引。因此在赋值时是安全的！