Python之DataFrame基础知识点

文章目录

1. DataFrame的创建
- 1.1 通过读取文件创建DataFrame
- 1.2 通过字典创建DataFrame
- 1.3 通过嵌套字典创建DataFrame
2. 字典嵌套字典 VS 字典嵌套列表
- 2.1 字典嵌套字典
- 2.2 字典嵌套列表
3. DataFrame的基本用法
- 3.1 DataFrame.loc 数据索引
- 3.2 DataFrame.iloc 数据索引
- 3.3 取DataFrame的某几列数据
- 3.4 DataFrame新增列数据
- 3.5 DataFrame.T及DataFrame.transpose() 行列转置
- 3.6 DataFrame.interpolate 数据插值
- 3.7 DataFrame.groupby 分组统计
- 3.8 DataFrame.nunique 在请求的轴上计数不同的观察值个数
- 3.9 pandas.unique 以数组形式返回列的唯一值
- 3.10 DataFrame.rolling 计算时间窗口数据
- 3.11 DataFrame.value_counts() 查看数据中不同值
- 3.12 DataFrame.insert() 在指定列中插入数据
- 3.13 DataFrame.append() 拼接dataframe数据
- 3.14 pd.merge() 拼接dataframe数据
- 3.15 Dataframe 转 Series

1. DataFrame的创建

DataFrame是一种表格型数据结构，它含有一组有序的列，每列可以是不同的值。DataFrame既有行索引，也有列索引，它可以看作是由Series组成的字典，不过这些Series公用一个索引。
DataFrame的创建有多种方式，不过最重要的还是根据dict进行创建，以及读取csv或者txt文件来创建。这里主要介绍这两种方式。

1.1 通过读取文件创建DataFrame

读取文件生成DataFrame最常用的是read_csv方法。

pd.read_csv(filepath_or_buffer, sep=',', delimiter=None, header='infer', names=None, index_col=None, usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skipinitialspace=False, skiprows=None, nrows=None, na_values=None, keep_default_na=True, na_filter=True, verbose=False, skip_blank_lines=True, parse_dates=False, infer_datetime_format=False, keep_date_col=False, date_parser=None, dayfirst=False, iterator=False, chunksize=None, compression='infer', thousands=None, decimal=b'.', lineterminator=None, quotechar='"', quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=False, error_bad_lines=True, warn_bad_lines=True, skipfooter=0, skip_footer=0, doublequote=True, delim_whitespace=False, as_recarray=False, compact_ints=False, use_unsigned=False, low_memory=True, buffer_lines=None, memory_map=False, float_precision=None)

下面来看常用参数：

filepath_or_buffer:（这是唯一一个必须有的参数，其它都是按需求选用的）文件所在处的路径
sep：指定分隔符，默认为逗号’,’
delimiter : str, default None
定界符，备选分隔符（如果指定该参数，则sep参数失效）
header：int or list of ints, default ‘infer’
指定哪一行作为表头。默认设置为0（即第一行作为表头），如果没有表头的话，要修改参数，设置header=None
names：
指定列的名称，用列表表示。一般我们没有表头，即header=None时，这个用来添加列名就很有用啦！
index_col:
指定哪一列数据作为行索引，可以是一列，也可以多列。多列的话，会看到一个分层索引
prefix:
给列名添加前缀。如prefix=“x”,会出来"x1"、“x2”、“x3”
nrows : int, default None
需要读取的行数（从文件头开始算起）

1.2 通过字典创建DataFrame

(1) 首先创建一个学生字典 stu_dict, 该字典中包含有学生的姓名,性别, 分数等基本信息 :

stu_dict = {'name': ['Jack', 'Mary'],'gender': ['M', 'F'],'score': [80, 85]
}
print(stu_dict)

执行结果如下：

{'name': ['Jack', 'Mary'], 'gender': ['M', 'F'], 'score': [80, 85]}

(2) 通过字典stu_dict创建DataFrame :

stu_df = pd.DataFrame(stu_dict)
print(stu_df)

执行结果如下：

   name gender  score
0  Jack      M     80
1  Mary      F     85

(3) DataFrame的行索引是index，列索引是columns，我们可以在创建DataFrame时指定索引的值：

stu_df_2 = pd.DataFrame(stu_dict, index=['student_1', 'student_2'])
print(stu_df_2)

执行结果如下：

           name gender  score
student_1  Jack      M     80
student_2  Mary      F     85

(4) 指定列索引的值：

stu_df_3 = pd.DataFrame(stu_dict, columns=['name', 'score', 'gender'])
print(stu_df_3)

执行结果如下：

   name  score gender
0  Jack     80      M
1  Mary     85      F

1.3 通过嵌套字典创建DataFrame

使用嵌套字典也可以创建DataFrame，此时外层字典的键作为列，内层键则作为索引:

(1) 创建字典嵌套字典

# 字典嵌套字典
stu_dict = {'student_1' : {'name': 'Jack', 'gender': 'M', 'score': 80},'student_2' : {'name': 'Mary', 'gender': 'F', 'score': 85}
}
print(stu_dict)

执行结果如下：

 {'student_1': {'name': 'Jack', 'gender': 'M', 'score': 80}, 'student_2': {'name': 'Mary', 'gender': 'F', 'score': 85}}

(2) 嵌套字典转DataFrame

# 字典转DataFrame
stu_df = pd.DataFrame(stu_dict)
print(stu_df)

执行结果如下：

       student_1 student_2
gender         M         F
name        Jack      Mary
score         80        85

2. 字典嵌套字典 VS 字典嵌套列表

2.1 字典嵌套字典

使用 dict = {key, value}, 其中 value = {inner_key, inner_value} 的形式创建 “字典嵌套字典”.

# 字典嵌套字典
key_1 = 'student_1'
value_1 = {'name': 'Jack', 'gender': 'M', 'score': 80}key_2 = 'student_2'
value_2 = {'name': 'Mary', 'gender': 'F', 'score': 85}stu_dict = {key_1:value_1, key_2: value_2}
print(stu_dict)

执行结果如下：

{'student_1': {'name': 'Jack', 'gender': 'M', 'score': 80}, 'student_2': {'name': 'Mary', 'gender': 'F', 'score': 85}}

2.2 字典嵌套列表

使用dict.setdefault().append()创建的字典为 “字典嵌套列表”

stu_dict = {}
stu_dict_1 = {'name': 'Jack', 'gender': 'M', 'score': 80}
stu_dict_2 = {'name': 'Mary', 'gender': 'F', 'score': 85}stu_dict.setdefault('student_1', []).append(stu_dict_1)
stu_dict.setdefault('student_2', []).append(stu_dict_2)print(stu_dict)

执行结果如下：

{'student_1': [{'name': 'Jack', 'gender': 'M', 'score': 80}], 'student_2': [{'name': 'Mary', 'gender': 'F', 'score': 85}]}

字典嵌套列表在转成DataFrame时, 列表中的值被当成一个整体看待.

# 字典转DataFrame
stu_df = pd.DataFrame(stu_dict)
print(stu_df)

执行结果如下：

                                      student_1  \
0  {'name': 'Jack', 'gender': 'M', 'score': 80}   student_2
0  {'name': 'Mary', 'gender': 'F', 'score': 85}

3. DataFrame的基本用法

3.1 DataFrame.loc 数据索引

import numpy as np
import pandas as pd
test_array = np.arange(16).reshape(4,4)
test1 = pd.DataFrame(test_array,index=['One','Two','Three',"Four"],columns=['a','b','c','d'])
print(test1)

loc（行，列）的读取格式例子如下，参数必需是DataFrame中的具体参数。

print(test1.loc['One'])#读取'One'行数据
print(test1.loc['One','a':'c'])#读取'One'行,'a':'c'列的数据
print(test1.loc['One':'Three','a':'c'])#读取'One':'Three'行,'a':'c'列的数据
print(test1.loc[['One','Three'],'a':'c'])#读取'One','Three',:'Three'行,'a':'c'列的数据

输出结果如下：

a    0
b    1
c    2
d    3
Name: One, dtype: int64a    0
b    1
c    2
Name: One, dtype: int64a  b   c
One    0  1   2
Two    4  5   6
Three  8  9  10a  b   c
One    0  1   2
Three  8  9  10

3.2 DataFrame.iloc 数据索引

DataFrame.iloc 为基于整数位置的索引，用于按位置选择。

下面是iloc（行，列），这个原理大同小异，只是iloc是把DataFrame真的当做一张二维表，直接使用数据当做参数即可.

下面看代码示例：

print(test1.iloc[0])#读取'One'行数据
print(test1.iloc[0,0:3])#读取'One'行,'a':'c'列的数据
print(test1.iloc[0:3,0:3])#读取'One':'Three'行,'a':'c'列的数据
print(test1.iloc[[0,2],0:3])#读取'One','Three',:'Three'行,'a':'c'列的数据

输出结果如下：

a    0
b    1
c    2
d    3
Name: One, dtype: int64a    0
b    1
c    2
Name: One, dtype: int64a  b   c
One    0  1   2
Two    4  5   6
Three  8  9  10a  b   c
One    0  1   2
Three  8  9  10

DataFrame.loc 和 DataFrame.iloc 的具体使用可参考：
python 基础笔记之 loc和iloc：https://blog.csdn.net/Onehh2/article/details/89884914

3.3 取DataFrame的某几列数据

import numpy as np
import pandas as pd
test_array = np.arange(16).reshape(4,4)
test1 = pd.DataFrame(test_array,index=['One','Two','Three',"Four"],columns=['a','b','c','d'])
print(test1)#         a   b   c   d
# One     0   1   2   3
# Two     4   5   6   7
# Three   8   9  10  11
# Four   12  13  14  15

使用 [[‘column_index’]] 来取DataFrame的某几列数据 :

test2 = test1[['b', 'd']]
print(test2)#         b   d
# One     1   3
# Two     5   7
# Three   9  11
# Four   13  15

3.4 DataFrame新增列数据

import numpy as np
import pandas as pd
test_array = np.arange(16).reshape(4,4)
test1 = pd.DataFrame(test_array,index=['One','Two','Three',"Four"],columns=['a','b','c','d'])
print(test1)#         a   b   c   d
# One     0   1   2   3
# Two     4   5   6   7
# Three   8   9  10  11
# Four   12  13  14  15

若直接增加一列, 可能会存在警告:

new_list = [1, 2, 3, 4]
test3['e'] = new_list警告：A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

解决方案: 先将 test1 以 dataframe 格式存储在 test3 中，然后对 test3 进行操作 :

new_list = [1, 2, 3, 4]
test3 = pd.DataFrame(test1)
test3['e'] = new_list
print(test3)#         a   b   c   d  e
# One     0   1   2   3  1
# Two     4   5   6   7  2
# Three   8   9  10  11  3
# Four   12  13  14  15  4

3.5 DataFrame.T及DataFrame.transpose() 行列转置

(1) DataFrame.T 实现行列转置

import pandas as pddf = pd.DataFrame({'X': [0, 1, 2], 'Y': [3, 4, 5]}, index=['A', 'B', 'C'])
print(df)
#    X  Y
# A  0  3
# B  1  4
# C  2  5print(df.T)
#    A  B  C
# X  0  1  2
# Y  3  4  5

(2) DataFrame.transpose() 实现行列转置

print(df.transpose())
#    A  B  C
# X  0  1  2
# Y  3  4  5

(3) pd.DataFrame(df.values.T, …) 实现行列转置

df_T = pd.DataFrame(df.values.T, index=df.columns, columns=df.index)
print(df_T)
#    A  B  C
# X  0  1  2
# Y  3  4  5

3.6 DataFrame.interpolate 数据插值

Pandas dataframe.interpolate()功能本质上是用来填充NaN DataFrame 或系列中的值。

具体用法:

DataFrame.interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', limit_area=None, downcast=None, **kwargs)

范例：采用interpolate()函数使用线性方法填充缺失值。

import numpy as np
import pandas as pddf = pd.DataFrame(data=[np.nan, 2, np.nan, 6, np.nan])
print(df)

输出结果:

现在我们利用 interpolate 函数进行插值:

df.interpolate(method='linear', limit_direction='forward')
print(df)

输出结果:

具体可参考:
pandas.DataFrame.interpolate函数方法的使用: https://blog.csdn.net/u012856866/article/details/122230597?spm=1001.2014.3001.5501

3.7 DataFrame.groupby 分组统计

函数定义：

DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)

具体用法:

import pandas as pd
import seaborn as sns
import numpy as npdf = sns.load_dataset("iris")
print(df.shape)
# (150, 5)print(df.head(5))
#    sepal_length  sepal_width  petal_length  petal_width species
# 0           5.1          3.5           1.4          0.2  setosa
# 1           4.9          3.0           1.4          0.2  setosa
# 2           4.7          3.2           1.3          0.2  setosa
# 3           4.6          3.1           1.5          0.2  setosa
# 4           5.0          3.6           1.4          0.2  setosa

按pandas.DataFrame的groupby() 方法分组。

如果在参数中指定了列名，则会对该列中的每个值进行分组。返回的是一个GroupBy对象，print（）打印不显示内容。

grouped = df.groupby('species')
print(grouped)
# <pandas.core.groupby.groupby.DataFrameGroupBy object at 0x10c69f6a0>print(type(grouped))
# <class 'pandas.core.groupby.groupby.DataFrameGroupBy'>

此外，通过mean（），min（），max（），sum（）方法应用于GroupBy对象，可以计算每个组的统计信息，例如平均值，最小值，最大值和总和。具体可参考博客:

16_Pandas.DataFrame计算统计信息并按GroupBy分组: https://blog.csdn.net/qq_18351157/article/details/106118984

3.8 DataFrame.nunique 在请求的轴上计数不同的观察值个数

DataFrame.nunique(self, axis=0, dropna=True) → pandas.core.series.Series

【参数】：

axis ： {0 or ‘index’, 1 or ‘columns’}, 默认为 0。要使用的轴。行为0或’index’，列为1或’columns’。
dropna ：bool, 默认为True。不要在计数中包括NaN。

【返回值】：

Series

样例如下：

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 2, 3], 'B': [1, 1, 1, 1]})
df.nunique()
# A    3
# B    1
# dtype: int64

3.9 pandas.unique 以数组形式返回列的唯一值

pandas.unique：以数组形式（numpy.ndarray）返回列的所有唯一值（特征的所有唯一值）

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 2, 3], 'B': [1, 1, 1, 1]})pd.unique(df['A'])
# array([1, 2, 3])pd.unique(df['B'])
# array([1])

3.10 DataFrame.rolling 计算时间窗口数据

pandas中的rolling函数，这个函数可以被Series对象调用，也可以被DataFrame对象调用，该函数主要是用来做移动计算的。

举个例子，假设我们有10天的销售额，我们想每三天求一次总和，比如第五天的总和就是第三天 + 第四天 + 第五天的销售额之和，这个时候我们的rolling函数就派上用场了。

import pandas as pdamount = pd.Series([100, 90, 110, 150, 110, 130, 80, 90, 100, 150])
print(amount.rolling(3).sum())
"""
0      NaN      # NaN + NaN + 100
1      NaN      # NaN + 100 + 90
2    300.0      # 100 + 90 + 110
3    350.0      # 90 + 110 + 150
4    370.0      # 110 + 150 + 110
5    390.0      # 150 + 110 + 130
6    320.0      # 110 + 130 + 80
7    300.0      # 130 + 80 + 90
8    270.0      # 80 + 90 + 100
9    340.0      # 90 + 100 + 150
dtype: float64
"""

3.11 DataFrame.value_counts() 查看数据中不同值

DataFrame.value_counts() 查看d列数据中有哪些不同的值，并计算每个值有多少个重复值。样例如下:

import numpy as np
import pandas as pd
test_array = np.arange(16).reshape(4,4)
test1 = pd.DataFrame(test_array,index=['One','Two','Three','Four'],columns=['a','b','c','d'])
print(test1)#         a   b   c   d
# One     0   1   2   3
# Two     4   5   6   7
# Three   8   9  10  11
# Four   12  13  14  15

test1['d'].value_counts()  # 查看d列数据中有哪些不同的值，并计算每个值有多少个重复值
# 7     1
# 3     1
# 11    1
# 15    1
# Name: d, dtype: int64

3.12 DataFrame.insert() 在指定列中插入数据

Dataframe.insert(loc, column, value, allow_duplicates=False): 在Dataframe的指定列中插入数据。

参数介绍：

loc: int型，表示第几列；若在第一列插入数据，则 loc=0
column: 给插入的列取名，如 column=‘新的一列’
value：要插入的值，数字，array，series等都可
allow_duplicates: 是否允许列名重复，选择Ture表示允许新的列名与已存在的列名重复。

import numpy as np
import pandas as pd
test_array = np.arange(16).reshape(4,4)
data = pd.DataFrame(test_array,index=['One','Two','Three','Four'],columns=['a','b','c','d'])
print(data)#         a   b   c   d
# One     0   1   2   3
# Two     4   5   6   7
# Three   8   9  10  11
# Four   12  13  14  15

# 在最后一列插入一列，取名'new'
data.insert(loc=data.shape[1],column='new',value=[1, 2, 3, 4])
print(data)
#         a   b   c   d  new
# One     0   1   2   3    1
# Two     4   5   6   7    2
# Three   8   9  10  11    3
# Four   12  13  14  15    4

3.13 DataFrame.append() 拼接dataframe数据

Pandas append()函数用于将其他数据框的行添加到给定数据框的末尾, 并返回一个新的数据框对象。新列和新单元格将插入到原始DataFrame中, 并用NaN值填充。

【句法】：

DataFrame.append(other, ignore_index=False, verify_integrity=False, sort=None)

【参数】：

其他：DataFrame或类似Series / dict的对象, 或这些对象的列表。它是指要附加的数据。
ignore_index：如果为true, 则不使用索引标签。
verify_integrity：如果为true, 则在创建具有重复项的索引时会引发ValueError。
sort：如果self和other的列不对齐, 则对列进行排序。默认排序已弃用, 在将来的Pandas版本中它将更改为不排序。我们通过sort = True明确地使警告和排序保持沉默, 而我们通过sort = False明确地使警告而不是排序保持沉默。

【样例代码】：

import numpy as np
import pandas as pdarray_1 = np.arange(16).reshape(4,4)
df_1 = pd.DataFrame(array_1, columns=['a','b','c','d'])
print(df_1)
#     a   b   c   d
# 0   0   1   2   3
# 1   4   5   6   7
# 2   8   9  10  11
# 3  12  13  14  15

array_2 = np.arange(0, 32, 2).reshape(4,4)
df_2 = pd.DataFrame(array_2, columns=['a','b','c','d'])
print(df_2)
#     a   b   c   d
# 0   0   2   4   6
# 1   8  10  12  14
# 2  16  18  20  22
# 3  24  26  28  30

使用 DataFrame.append 函数对 df_1 和 df_2 进行拼接：

df_3 = pd.DataFrame(columns=['a','b', 'c', 'd']) # 创建一个空的dataframe
df_3 = df_3.append(df_1)
df_3 = df_3.append(df_2)
print(df_3)
#     a   b   c   d
# 0   0   1   2   3
# 1   4   5   6   7
# 2   8   9  10  11
# 3  12  13  14  15
# 0   0   2   4   6
# 1   8  10  12  14
# 2  16  18  20  22
# 3  24  26  28  30

df结果中的纵向索引值为 0，1，2，3， 0，1，2， 3，仍旧保留了我们拼接前各自的索引值，这是不被我们需要的，因此我们需要设置 ignore_index=True来对索引值进行重新排列。

df_4 = pd.DataFrame(columns=['a','b', 'c', 'd']) # 创建一个空的dataframe
df_4 = df_4.append(df_1, ignore_index=True)
df_4 = df_4.append(df_2, ignore_index=True)
print(df_4)
#     a   b   c   d
# 0   0   1   2   3
# 1   4   5   6   7
# 2   8   9  10  11
# 3  12  13  14  15
# 4   0   2   4   6
# 5   8  10  12  14
# 6  16  18  20  22
# 7  24  26  28  30

我们可以看到，此时的纵向索引值变正常了。

3.14 pd.merge() 拼接dataframe数据

【句法】：

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,left_index=False, right_index=False, sort=True,suffixes=('_x', '_y'), copy=True, indicator=False,validate=None)

【参数】：

left: 拼接的左侧DataFrame对象
right: 拼接的右侧DataFrame对象
on: 要加入的列或索引级别名称。必须在左侧和右侧DataFrame对象中找到。如果未传递且left_index和right_index为False，则DataFrame中的列的交集将被推断为连接键。
left_on:左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。
right_on: 左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。
left_index: 如果为True，则使用左侧DataFrame中的索引（行标签）作为其连接键。对于具有MultiIndex（分层）的DataFrame，级别数必须与右侧DataFrame中的连接键数相匹配。
right_index: 与left_index功能相似。
how: One of ‘left’, ‘right’, ‘outer’, ‘inner’. 默认inner。inner是取交集，outer取并集。比如left：[‘A’,‘B’,‘C’];right[’'A,‘C’,‘D’]；inner取交集的话，left中出现的A会和right中出现的买一个A进行匹配拼接，如果没有是B，在right中没有匹配到，则会丢失。'outer’取并集，出现的A会进行一一匹配，没有同时出现的会将缺失的部分添加缺失值。
sort: 按字典顺序通过连接键对结果DataFrame进行排序。默认为True，设置为False将在很多情况下显着提高性能。
suffixes: 用于重叠列的字符串后缀元组。默认为（‘x’，’ y’）。
copy: 始终从传递的DataFrame对象复制数据（默认为True），即使不需要重建索引也是如此。
indicator:将一列添加到名为_merge的输出DataFrame，其中包含有关每行源的信息。 _merge是分类类型，并且对于其合并键仅出现在“左”DataFrame中的观察值，取得值为left_only，对于其合并键仅出现在“右”DataFrame中的观察值为right_only，并且如果在两者中都找到观察点的合并键，则为left_only。

【样例代码】：

import pandas as pdleft = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})
print(left)
#   key   A   B
# 0  K0  A0  B0
# 1  K1  A1  B1
# 2  K2  A2  B2
# 3  K3  A3  B3

right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})
print(right)
#   key   C   D
# 0  K0  C0  D0
# 1  K1  C1  D1
# 2  K2  C2  D2
# 3  K3  C3  D3

result = pd.merge(left, right, on='key')  # on参数传递的key作为连接键
print(result)
#   key   A   B   C   D
# 0  K0  A0  B0  C0  D0
# 1  K1  A1  B1  C1  D1
# 2  K2  A2  B2  C2  D2
# 3  K3  A3  B3  C3  D3

3.15 Dataframe 转 Series

直接取 Dataframe 的某一列，即可得到 Series，Series 的默认索引为 0，1， 2，……，如下所示：

import pandas as pddf = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})
print(df)
#   key   A   B
# 0  K0  A0  B0
# 1  K1  A1  B1
# 2  K2  A2  B2
# 3  K3  A3  B3

df_1 = df['A']
print(type(df_1))  # <class 'pandas.core.series.Series'>
print(df_1)
# 0    A0
# 1    A1
# 2    A2
# 3    A3
# Name: A, dtype: object

如果我们想指定某一列为 Series 的索引，则可以使用 pd.Series() 操作，如下所示：

df_2 = pd.Series(np.array(df['A']).tolist(), index=np.array(df['key']).tolist())
print(type(df_2))  # <class 'pandas.core.series.Series'>
print(df_2)
# K0    A0
# K1    A1
# K2    A2
# K3    A3
# dtype: object