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())

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

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。

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)

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)