> 经常听别人说 Python 在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是 Python 数据处理厉害，而是他有数据分析神器—— pandas
前言
在 Excel 上处理表格非常自由方便，他不需要你把数据组织得非常规范。在 pandas 处理时，除了常见的竖向操作，其实还可以横向操作。我们通过一个小例子学会合理使用 axis 参数
横向平均
某竞技比赛中的评分记录如下：
- 求出各个选择的平均得分
- 如果在 Excel 中编写函数公式，是可以直接对每一行进行求平均
在 pandas 中，同样非常简单，只需要一个方法就可以得到结果：
- 行1：加载数据，注意参数 index_col=0 ，我们把 选手 列作为行索引，否则下面求平均时，就需要把 选手 列排除在外
- 行2：现在 df 中的列全是 评分 列，直接调用 mean 方法求平均。
- 但是，默认情况下，mean 方法中的参数 axis 为 0 ，意思是"对每列求平均"，其结果是一行。这里设置参数 axis=1，即是对"每一行求平均"
更合理的评分
由于评分带有主观性质，实际生活中更常见的是去除极值后再统计。
比如，现在需求修改为"每个选手去除各自的1个最高和1个最低分后求平均得分"，这里注意的是如果最高或最低分出现多个，也只是各去除1个。
本系列就是一个从 Excel 角度学习 pandas 的思路，因此，只要你考虑到手工用 Excel 如何操作，即可学会 pandas 的代码思路。
操作思路如下：
- 逐行处理
- 对行排序(升或降序无所谓)
- 从行中第2个数开始，直到倒数第2个之间的数，对其求平均
下面来看看 pandas 中是如何做到上述3步：
- 行3-6：自定义函数，这是每行数据的处理逻辑
- 行4：对行排序
- 行5：使用 Series.iloc[] 做切片选择，从行中第2个数(索引是1)开始，直到倒数第2个(索引是-1)之间的数
- 行6：求平均
- 行8：调用 DataFrame.apply 批量处理
- 参数1：传入自定义函数
- 参数 axis='columns' 指定按列维度处理，你也可以使用 axis=1 。
axis 参数设置会有点难以理解， 我的 pandas 专栏第5节有关于轴的理解，可以去参考一下。
如果你会写 lambda，这里其实不需要自定义函数：
- 其实没有节省多少代码(不需要定义函数名字，里面也不需要写 return)
- 这种情况下，我不建议这样的写法，不太清晰，这里仅供参考
