当前位置：首页 > news >正文

【Pandas】pandas DataFrame clip

news 来源：原创 2025/5/10 8:49:40

Pandas2.2 DataFrame

Computations descriptive stats

方法	描述
DataFrame.abs()	用于返回 DataFrame 中每个元素的绝对值
DataFrame.all([axis, bool_only, skipna])	用于判断 DataFrame 中是否所有元素在指定轴上都为 True
DataFrame.clip([lower, upper, axis, inplace])	用于截断（限制）DataFrame 中的数值

pandas.DataFrame.clip()

pandas.DataFrame.clip() 方法用于截断（限制）DataFrame 中的数值，将小于下限 lower 的值替换为 lower，大于上限 upper 的值替换为 upper。该方法常用于数据清洗、特征缩放等场景。

一、方法签名

DataFrame.clip(lower=None, upper=None, axis=None, inplace=False)

参数说明：

参数	类型	描述
`lower`	float 或 array-like, optional	下限值。若为标量，则所有元素低于此值将被替换；若为 array-like（如 Series），则按列/行分别设置下限。
`upper`	float 或 array-like, optional	上限值。用法与 `lower` 类似。
`axis`	{0/‘index’, 1/‘columns’}, optional	若 `lower` 或 `upper` 是 Series，则指定广播方向：`0` 表示按行广播（默认），`1` 表示按列广播。
`inplace`	bool, default: False	是否在原 DataFrame 上修改。若为 `True`，不返回新对象，直接修改原数据。

⚠️ 注意：lower 和 upper 至少要提供一个。

二、返回值

返回一个新的 DataFrame（或原地修改），其中：
- 所有小于 lower 的值 → lower
- 所有大于 upper 的值 → upper

三、使用示例及结果

示例1：基本用法（设定上下限）

import pandas as pddf = pd.DataFrame({'A': [1, 2, 3, 4, 5],'B': [-5, 0, 5, 10, 15]
})# 将数值限制在 [0, 10] 范围内
result = df.clip(lower=0, upper=10)
print(result)

输出：

解释：

列 A 中小于 0 的值变为 0，大于 10 的值变为 10。
列 B 同理。

示例2：仅设置下限（lower）

result = df.clip(lower=2)
print(result)

输出：

解释：

所有小于 2 的值都被替换为 2。

示例3：仅设置上限（upper）

result = df.clip(upper=10)
print(result)

输出：

解释：

所有大于 10 的值都被替换为 10。

示例4：按列设置不同的上下限（使用 Series）

lower = pd.Series({'A': 2, 'B': 0})
upper = pd.Series({'A': 4, 'B': 10})result = df.clip(axis=1, lower=lower, upper=upper)
print(result)

输出：

解释：

每列使用不同的 lower 和 upper 值进行裁剪。

示例5：按行设置裁剪范围（`axis=1`）

lower_row = pd.Series([1, 0, 2, 5, 10], index=df.index)# 对每一行设置不同的 lower 值，并按行广播
result = df.clip(lower=lower_row, axis=0)
print(result)

输出：

     A     B
0  1.0  1.00
1  2.0  0.00
2  3.0  2.00
3  5.0  5.00
4 10.0 10.00

解释：

每一行使用不同的 lower 值进行裁剪，通过 axis=0 实现按行广播。

四、适用场景

场景	描述
数据清洗	去除异常值，防止极端值影响模型训练或可视化。
特征工程	对连续变量进行裁剪，使其更符合分布假设。
数据标准化	在归一化前先对数据做裁剪，避免极大值干扰。

五、注意事项

lower 和 upper 可以是标量或 Series，支持灵活的逐列或逐行设置。
若同时传入 lower 和 upper，则两者都会生效。
使用 inplace=True 会直接修改原始 DataFrame。
支持 NaN 值，不会改变其位置。

六、总结

特性	描述
功能	截断 DataFrame 中的数值，限制在指定范围内
适用类型	数值型列（int、float）
是否修改原数据	默认否，可通过 `inplace=True` 修改原数据
灵活性	支持标量、Series 设置不同列/行的上下限