官方帮助的解释：

轴用来为超过一维数组定义的属性，二维数据拥有两个轴：第0轴沿着行的方向垂直向下，第1轴沿着列的方向水平延申。

简单来说，0表示纵轴，方向从上到下；1表示横轴，方向从左到右。当axis=0时，数组的变化是纵向的，体现出行的增加或减少。反之，当axis=1时，数组的变化是横向的，体现出列的增加或者减少。

实例1：

import pandas as pd
import numpy as np

df = pd.DataFrame([[1,1,1,1],[2,2,2,2],[3,3,3,3]],columns=['co1','co2','co3','co4'])
df
>>>
  co1 co2 co3 co4
0	1	1	1	1
1	2	2	2	2
2	3	3	3	3

#axis=0 对df的纵轴进行计算
df.mean(axis=0)
>>>
co1    2.0
co2    2.0
co3    2.0
co4    2.0
dtype: float64

#axis=0 对df的横轴进行计算
df.mean(axis=1)
>>>
0    1.0
1    2.0
2    3.0
dtype: float64
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

实例2：

#创建另一矩阵
df1 = pd.DataFrame([[3,3,3],[2,2,2],[1,1,1]],columns=['nco1','nco2','nco3'])
df1
>>>
   nco1  nco2  nco3
0	  3	    3	  3
1	  2	    2	  2
2	  1	    1	  1

#使用pd.concat将两矩阵进行连接，方向为axis=1
df_merge = pd.concat((df,df1),axis=1)
df_merge
>>>
  co1 co2 co3 co4 nco1 nco2	nco3
0	1	1	1	1	3	3	3
1	2	2	2	2	2	2	2
2	3	3	3	3	1	1	1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

实例3：

df_na = pd.DataFrame(np.random.randn(6, 4), columns=['col1', 'col2', 'col3', 'col4'])  # 生成一份数据
df_na.iloc[1:2, 1] = np.nan  # 增加缺失值
df_na.iloc[4, 3] = np.nan  # 增加缺失值
df_na
>>>
	     col1	    col2	    col3	    col4
0	-0.479080	1.347918	1.077663   -1.419871
1	-0.428340	NaN	       -1.002474   -0.182926
2	-1.951236  -0.906273	1.020092	1.803129
3	 1.331986	0.704459   -1.181336   -0.940198
4	-1.318393	1.028826	0.216616	NaN
5	-0.845054	0.881395	0.927703	0.267753

#使用isnull().any(axis=0)判断缺失值，且判断每一列是否有缺失值
df_na.isnull().any(axis=0)
>>>
col1    False
col2     True
col3    False
col4     True
dtype: bool

#使用isnull().any(axis=1)判断缺失值，且判断每一行是否有缺失值
df_na.isnull().any(axis=1)
>>>
0    False
1     True
2    False
3    False
4     True
5    False
dtype: bool
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32