Python Pandas dataframe.clip_upper()

Python是一种进行数据分析的伟大语言，主要是因为以数据为中心的Python包的奇妙生态系统。Pandas就是这些包中的一个，它使导入和分析数据变得更加容易。

Pandas dataframe.clip_upper()用于修剪指定输入阈值的数值。我们用这个函数来修剪所有高于输入值阈值的数值，以达到指定的输入值。

语法: DataFrame.clip_upper(threshold, axis=None, inplace=False)

参数:
threshold：浮动或类似数组
float：每个值都与阈值进行比较。
阵列式:阈值的形状应该与它所比较的对象相匹配。当自己是一个系列时，阈值应该是长度。当自己是一个数据框架时，阈值应该是2-D的，并且在axis=None时与自己的形状相同，或者是1-D的，并且与被比较的axis的长度相同。
axis：沿给定的axis线将对象与阈值对齐。
inplace :是否对数据进行就地操作。

返回：剪下的：与输入的类型相同

例子#1：使用clip_upper()函数来修剪数据框中高于给定阈值的数值。

# 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

现在将所有高于8的数值修剪成8。

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

输出 :

示例#2：使用clip_upper()函数在数据框中为数据框的每个单元格夹取特定值。

为此，我们可以使用一个numpy数组，但数组的形状必须与数据帧的形状相同。

# 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

现在在数据框上应用这些限制。

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

输出 :

每个单元格的值都根据相应的应用上限进行了修剪。