python数据框 last()_python数据框的常用操作

data1 = data1.drop_duplicates()
pd.dataframe.drop_duplicates(self,subset=None,keep='first',inplace=False)
参数含义：subse：接受特定的字符串或者sequence。表示进行去重的列。默认为None，表示全部列。
                 keep:接受特定的字符串，表示重复时保留的第几个数据
                         first:保留第一个
                         last：保留最后一个                                                                                                                   
                         false：只要有重复都不保留                                                                                                       
                         默认为 first
                  inplace:接受的boolean.表示是否在原表上进行操作，默认为False。

# 两种方式，concat、append皆可以
result3=pd.concat([result1,result2],ignore_index=True)
result3=result1.append(result2,ignore_index=True)
#ignore_index=True
# 用法
pd.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False,
          keys=None, levels=None, names=None, verify_integrity=False,
          copy=True)

axis：要粘在哪个轴上。默认0，粘贴行。
join：默认outer，合集；inner，交集。
ignore_index：布尔型，默认False。如果为Ture的话，会重新分配index从0...n-1。
keys：一个序列，默认None。建立等级索引，作为最外层的level。
levels：序列sequences构成的list，默认None。

## 1生成DataFrame数据
df = DataFrame(np.random.randn(4, 5), columns=['A', 'B', 'C', 'D', 'E'])
# DataFrame数据预览：
     A            B         C         D          E
0 0.673092    0.230338  -0.171681  0.312303 -0.184813
1 -0.504482   -0.344286 -0.050845 -0.811277 -0.298181
2 0.542788    0.207708   0.651379  -0.656214 0.507595
3 -0.249410   0.131549   -2.198480 -0.437407  1.628228
#2计算各列数据总和并作为新列添加到末尾
#3df['Col_sum'] = df.apply(lambda x: x.sum(), axis=1)
#3计算各行数据总和并作为新行添加到末尾
df.loc['Row_sum'] = df.apply(lambda x: x.sum())
#最终的计算结果
                A        B        C           D          E         Col_sum
0         0.673092   0.230338   -0.171681   0.312303   -0.184813   0.859238
1        -0.504482   -0.344286  -0.050845   -0.811277  -0.298181   -2.009071
2        0.542788    0.207708   0.651379    -0.656214  0.507595    1.253256
3        -0.249410   0.131549   -2.198480   -0.437407  1.628228    -1.125520
Row_sum  0.461987    0.225310   -1.769627   -1.592595  1.652828    -1.022097