熊猫将自动对齐这些传递的系列，并创建联合索引 它们在这里是一样的。Reset_index将索引移动到一列。

In [2]: s1 = Series(randn(5),index=[1,2,4,5,6])

In [4]: s2 = Series(randn(5),index=[1,2,4,5,6])

In [8]: DataFrame(dict(s1 = s1, s2 = s2)).reset_index()
Out[8]: 
   index        s1        s2
0      1 -0.176143  0.128635
1      2 -1.286470  0.908497
2      4 -0.995881  0.528050
3      5  0.402241  0.458870
4      6  0.380457  0.072251

请允许我回答这个问题。

将序列转换为数据帧的基本原理是理解这一点

1. 在概念层面上，数据帧中的每一列都是一个系列。

2. 并且，每个列名都是映射到一个序列的键名。

如果你记住了以上两个概念，你可以想到很多方法将序列转换为数据帧。 一个简单的解决方案是这样的:

在这里创建两个系列

import pandas as pd

series_1 = pd.Series(list(range(10)))

series_2 = pd.Series(list(range(20,30)))

创建一个空的数据帧，只需要列的名称

df = pd.DataFrame(columns = ['Column_name#1', 'Column_name#1'])

利用映射概念将序列值放入数据帧中

df['Column_name#1'] = series_1

df['Column_name#2'] = series_2

现在检查结果

df.head(5)

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。

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

基于join()的解决方案的简化:

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

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()