如何将宝可梦数据的type1、type2统计结果合并为单个DataFrame？

一、修复你现有的合并问题 #

你用pd.concat得到重复单列，是因为默认按行（axis=0）拼接了两个统计结果。要得到两列结构，得先把两个统计结果的列名区分开，再按类型索引对齐合并：

假设你之前的统计代码是生成带列名的DataFrame：

df_type1 = df['type1'].value_counts().reset_index(name='type1_count')
df_type2 = df['type2'].value_counts().reset_index(name='type2_count')

改成按类型列合并：

# 按类型列全量合并，空值填充为0
result = pd.merge(df_type1, df_type2, on='index', how='outer').fillna(0)
# 重命名类型列
result = result.rename(columns={'index': 'type'})
# 把计数转成整数格式
result[['type1_count', 'type2_count']] = result[['type1_count', 'type2_count']].astype(int)

如果你的统计结果是用索引存类型的Series：

s_type1 = df['type1'].value_counts()
s_type2 = df['type2'].value_counts()
# 按列拼接并自动对齐索引，空值填0
result = pd.concat([s_type1, s_type2], axis=1, keys=['type1_count', 'type2_count']).fillna(0).astype(int)
# 可选：把索引转成单独的类型列
result = result.reset_index().rename(columns={'index': 'type'})

二、更高效的一站式统计方案 #

不用分开统计再合并，直接一步生成目标DataFrame：

# 直接对两列做value_counts，按列拼接并填充空值
type_stats = pd.DataFrame({
    'type1_count': df['type1'].value_counts(),
    'type2_count': df['type2'].value_counts()
}).fillna(0).astype(int).reset_index().rename(columns={'index': 'type'})

如果需要扩展到更多类型列，用melt转长格式后分组统计更灵活：

# 把type1、type2转成长格式，过滤空值
melted = df.melt(value_vars=['type1', 'type2'], value_name='type').dropna()
# 按类型和原列名分组计数，转宽格式
type_stats = melted.groupby(['type', 'variable']).size().unstack(fill_value=0).reset_index()
# 重命名计数列
type_stats = type_stats.rename(columns={'type1': 'type1_count', 'type2': 'type2_count'})

最终会得到包含类型名称、type1计数、type2计数的结构化DataFrame，符合你的需求。

内容的提问来源于stack exchange，提问作者Ivan