Python/Pandas：如何将2列拆分为单独的记录？

我有一个口袋妖怪的数据框（这是它的头部）：

我希望能够根据口袋妖怪的类型进行分析。我的问题是有一个类型为1的列和一个类型为2的列。我感兴趣的是，如果是类型_1或类型_2，则按类型irregardless查看总统计数据。我该如何着手解决这个问题？我的猜测是，我必须为每个口袋妖怪创建第二行，将其类型_2作为type，并将原始记录的类型_1更改为type。我怎样才能在熊猫身上做到这一点呢

编辑：我感兴趣的输出示例如下：
草：平均生命：300，平均攻击：50，平均防御：60….
毒药：平均生命：308，平均攻击：60，平均防御：40..

---

所以我认为@piRSquared's非常棒。如果您希望输出与您的问题完全相同，请尝试以下操作：

types = set(df["Type_1])
types.add(df["Type_2])
data_columns = ["HP, "Attack", "Defense"]
for type_ in types:
    avgs = df[(df["Type_1"]==type_) | (df["Type_2"]==type_)][data_columns].mean()
    response = """{type}: Average Hp: {hp}, Average Attack: {attack},
               Average Defense: {defense}""".format(type=type_, hp=avg["HP"], 
                                                    attack=avg["Attack], 
                                                    defense=avg["Defense"])

---

所以我认为@piRSquared's非常棒。如果您希望输出与您的问题完全相同，请尝试以下操作：

types = set(df["Type_1])
types.add(df["Type_2])
data_columns = ["HP, "Attack", "Defense"]
for type_ in types:
    avgs = df[(df["Type_1"]==type_) | (df["Type_2"]==type_)][data_columns].mean()
    response = """{type}: Average Hp: {hp}, Average Attack: {attack},
               Average Defense: {defense}""".format(type=type_, hp=avg["HP"], 
                                                    attack=avg["Attack], 
                                                    defense=avg["Defense"])

---

考虑数据帧

df

df = pd.DataFrame([
        ['Fire', 'Poison', 300, 30, 10],
        ['Poison', 'Grass', 250, 20, 15]
    ], columns=['Type1', 'Type2', 'HP', 'Attack', 'Defense'])

    Type1   Type2   HP  Attack  Defense
0    Fire  Poison  300      30       10
1  Poison   Grass  250      20       15

使用

pd.melt

stat_cols = ['HP', 'Attack', 'Defense']
type_cols = ['Type1', 'Type2']
melted = pd.melt(df, stat_cols, type_cols, value_name='Type')
melted.groupby('Type')[stat_cols].mean()

           HP  Attack  Defense
Type                          
Fire    300.0    30.0     10.0
Grass   250.0    20.0     15.0
Poison  275.0    25.0     12.5

额外学分
使用

描述

考虑数据帧
df

df = pd.DataFrame([
        ['Fire', 'Poison', 300, 30, 10],
        ['Poison', 'Grass', 250, 20, 15]
    ], columns=['Type1', 'Type2', 'HP', 'Attack', 'Defense'])

    Type1   Type2   HP  Attack  Defense
0    Fire  Poison  300      30       10
1  Poison   Grass  250      20       15

使用
pd.melt

stat_cols = ['HP', 'Attack', 'Defense']
type_cols = ['Type1', 'Type2']
melted = pd.melt(df, stat_cols, type_cols, value_name='Type')
melted.groupby('Type')[stat_cols].mean()

           HP  Attack  Defense
Type                          
Fire    300.0    30.0     10.0
Grass   250.0    20.0     15.0
Poison  275.0    25.0     12.5

额外学分

使用
描述

有很多方法，太多了！如果你能提供一个你期望最终输出的例子，你会得到更好的服务。我编辑了这个问题，这有意义吗？有很多方法，太多了！如果你能提供一个你期望最终输出的例子，你会得到更好的服务。我编辑了这个问题，这有意义吗？有19种不同的类型。有没有一种方法可以每次都自动执行而不是硬编码呢？可能吧。就像@piRSquared所说的，我们需要看一个你期望输出的例子。有19种不同的类型。有没有一种方法可以每次都自动执行而不是硬编码呢？可能吧。就像@piRSquared所说的，我们需要看到一个示例，说明您希望输出看到什么。谢谢！我现在尝试独立地获取数据片段（查看某些统计数据的最高、最低等）。为此，我需要一个所有类型的列表。我使用了如下代码：注意到Melled给了NaN一些值。“这有什么原因吗？我该如何解决它呢？”泰勒·尔伯特：这当然有原因。如果看不到
NaN
数据的确切位置，我不知道这是什么原因。如果你能提供一个简单的例子来说明问题并提出一个新问题，那就最好了。谢谢！我现在尝试独立地获取数据片段（查看某些统计数据的最高、最低等）。为此，我需要一个所有类型的列表。我使用了如下代码：注意到Melled给了NaN一些值。“这有什么原因吗？我该如何解决它呢？”泰勒·尔伯特：这当然有原因。如果看不到
NaN
数据的确切位置，我不知道这是什么原因。最好是提供一个最小的示例来演示问题并提出一个新问题。