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())

示例代码:

a = pd.Series([1,2,3,4], index=[7,2,8,9])
b = pd.Series([5,6,7,8], index=[7,2,8,9])
data = pd.DataFrame({'a': a,'b':b, 'idx_col':a.index})

Pandas允许您从字典中创建一个DataFrame，其值为Series，键为列名。当它找到一个Series作为值时，它使用Series索引作为DataFrame索引的一部分。这种数据对齐是Pandas的主要优势之一。因此，除非您有其他需要，否则新创建的DataFrame具有重复的值。在上面的例子中，data['idx_col']与data.index拥有相同的数据。

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()     

我不确定我完全理解你的问题，但这是你想做的吗?

pd.DataFrame(data=dict(s1=s1, s2=s2), index=s1.index)

(指数= s1。这里甚至不需要索引)

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

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。