跳转至

Python | Pandas data frame.clip_upper()

原文:https://www.geesforgeks.org/python-pandas-data frame-clip_upper/

Python 是进行数据分析的优秀语言，主要是因为以数据为中心的 python 包的奇妙生态系统。 【熊猫】 就是其中一个包，让导入和分析数据变得容易多了。

熊猫 **dataframe.clip_upper()**用于在指定的输入阈值下修剪值。我们使用此函数将输入值阈值以上的所有值修剪为指定的输入值。

语法: DataFrame.clip_upper(阈值，轴=无，在位=假)

参数: 阈值: float 或 array_like float :将每个值与阈值进行比较。 array-like :阈值的形状应该与它所比较的对象相匹配。当自我是一个系列，阈值应该是长度。当 self 是一个数据帧时，阈值应该是二维的，并且与 self 的形状相同(轴=无)，或者是一维的，并且与被比较的轴的长度相同。 轴:沿给定轴将对象与阈值对齐。 到位:是否对数据执行到位操作。

返回:剪裁:与输入类型相同

示例#1: 使用clip_upper()功能将数据帧的值修剪到给定阈值以上。

# importing pandas as pd
import pandas as pd

# Creating a dataframe using dictionary
df = pd.DataFrame({"A":[-5, 8, 12, -9, 5, 3],
                   "B":[-1, -4, 6, 4, 11, 3],
                   "C":[11, 4, -8, 7, 3, -2]})

# Printing the data frame for visualization
df

现在将 8 到 8 以上的值全部修剪掉。

# Clip all values below 2
df.clip_upper(8)

输出:

示例 2: 使用clip_upper()函数将数据帧中的值与数据帧中每个单元格的特定值进行剪辑。

为此，我们可以使用 numpy 数组，但数组的形状必须与数据框的形状相同。

# importing pandas as pd
import pandas as pd

# Creating a dataframe using dictionary

df = pd.DataFrame({"A":[-5, 8, 12, -9, 5, 3], 
                   "B":[-1, -4, 6, 4, 11, 3],
                   "C":[11, 4, -8, 7, 3, -2]})

# upper limit for each individual column element.
limit = np.array([[10, 2, 8], [3, 5, 3], [2, 4, 6],
                  [11, 2, 3], [5, 2, 3], [4, 5, 3]])

# Print upper_limit
limit

现在对数据帧应用这些限制。

# applying different limit value
# for each cell in the dataframe
df.clip_upper(limit)

输出:

每个单元格值都已根据应用的相应上限进行了调整。

回到顶部