如果您试图连接长度相等但它们的索引不匹配的Series(这是一种常见的情况)，那么连接它们将在它们不匹配的地方生成NAs。

x = pd.Series({'a':1,'b':2,})
y = pd.Series({'d':4,'e':5})
pd.concat([x,y],axis=1)

#Output (I've added column names for clarity)
Index   x    y
a      1.0  NaN
b      2.0  NaN
d      NaN  4.0
e      NaN  5.0

假设您不关心索引是否匹配，解决方案是在连接两个Series之前重新索引它们。如果drop=False，这是默认值，那么Pandas将把旧索引保存在新数据框架的一列中(为了简单起见，这里省略了索引)。

pd.concat([x.reset_index(drop=True),y.reset_index(drop=True)],axis=1)

#Output (column names added):
Index   x   y
0       1   4
1       2   5

我使用pandas将我的numpy数组或iseries转换为一个数据帧，然后添加和添加额外的列键作为“预测”。如果你需要将数据帧转换回列表，则使用values.tolist()

output=pd.DataFrame(X_test)
output['prediction']=y_pred

list=output.values.tolist()     

如果您试图连接长度相等但它们的索引不匹配的Series(这是一种常见的情况)，那么连接它们将在它们不匹配的地方生成NAs。

x = pd.Series({'a':1,'b':2,})
y = pd.Series({'d':4,'e':5})
pd.concat([x,y],axis=1)

#Output (I've added column names for clarity)
Index   x    y
a      1.0  NaN
b      2.0  NaN
d      NaN  4.0
e      NaN  5.0

假设您不关心索引是否匹配，解决方案是在连接两个Series之前重新索引它们。如果drop=False，这是默认值，那么Pandas将把旧索引保存在新数据框架的一列中(为了简单起见，这里省略了索引)。

pd.concat([x.reset_index(drop=True),y.reset_index(drop=True)],axis=1)

#Output (column names added):
Index   x   y
0       1   4
1       2   5

如果两者有相同的索引，为什么不直接使用.to_frame呢?

> = v0.23

a.to_frame().join(b)

< v0.23

a.to_frame().join(b.to_frame())

我认为concat是一个很好的方法。如果它们存在，它使用Series的name属性作为列(否则它只是简单地为它们编号):

In [1]: s1 = pd.Series([1, 2], index=['A', 'B'], name='s1')

In [2]: s2 = pd.Series([3, 4], index=['A', 'B'], name='s2')

In [3]: pd.concat([s1, s2], axis=1)
Out[3]:
   s1  s2
A   1   3
B   2   4

In [4]: pd.concat([s1, s2], axis=1).reset_index()
Out[4]:
  index  s1  s2
0     A   1   3
1     B   2   4

注意:这扩展到2系列以上。

基于join()的解决方案的简化:

df = a.to_frame().join(b)