这一步需要用到Dataframe对象的一个方法：last_valid_index()

从pandas官方手册中查到该方法的解释

该方法将返回最后一个非空元素的索引

接下里用这个函数自定义方法：

def get_last_ele(x):  
    if x.last_valid_index() is None:  # 一行中全为NaN
        return np.nan
    else:
        return x[x.last_valid_index()]
对整个questions数据进行处理：
 
questions_re = questions.apply(get_last_ele, axis=1)  # 纵向处理
#  存在一行全为NaN的数据，返回结果中会出现空值
questions_re = questions_re.dropna(axis=0)  # 去空值  
返回结果：
 
                    Dataframe中取出每行最后一个非空元素公司有一个问答产品，业务需要分析用户的主要跳出问题，而我得到的数据是一张含有每道题的问题和回答的excel表格，用pandas读取如下图所示。可以看到针对每个人会有150个问题，和150个答案，但是大多数人都没有完成所有问题就跳出了，没有回答的问题在数据中就会显示NaN，现在需要统计每个人的跳出问题，也就是每个人回答问题的最后一个非空元素。第一步...
Python原生 ：列表的列表
	Numpy ：ndarray ，比python的list性能更好，有mean()、std()、sum()等更多的跟数学计算相关的内置函数，作用于整个数组,访问语法差别：a[1,2]（Numpy ndarray）、a[1][2]（ Python List）
	Pandas ：DataFrame
	轴：axis,确定行的方向还是列的方向
im...
				
在使用pandas处理数据时，会遇到这样一个问题：打开文档查看某些列明显有很多是空的，但是在python里用dataframe.info统计出来并不是空的，这是因为excel表里这些数据看起来是空的值，但其实是一个空格，但是用isnull判断是为False的。
解决方案：
对整张表dataframe替换空格为np.nan,可以使用replace方法通过正则匹配空格，然后替换：
				
pandas介绍
Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。
Pandas 常用的数据结构有两种：Series 和 DataFrame。这些数据结构构建在 Numpy 数组之上，这意味着它们效率很高。
python版本：3.5>=python
导入相关库
import numpy 
numpy已经可以帮助我们进行数据的处理了，那么学习pandas的目的是什么呢？
- numpy能够帮助我们处理的是数值型的数			据，当然在数据分析中除了数值型的数据还有好多其他类型的数据（字符串，时间序列），那么pandas就可以帮我们很好的处理除了数值型的其他数据！
pandas常用的两个类
Series
DataFrame
Series
Series是一种类似与一维数组的对象，由下面两个部分组成：
values：一组数据（ndarray类型）
index：