关于Pandas版本： 本文基于 pandas2.2.0 编写。
关于本文内容更新： 随着pandas的stable版本更迭，本文持续更新，不断完善补充。
传送门： Pandas API参考目录
传送门： Pandas 版本更新及新特性
传送门： Pandas 由浅入深系列教程
本节目录
- Pandas.Series.clip()
- 语法：
- 返回值：
- 参数说明：
- lower 最小边界
- upper 最大边界
- axis 指定修剪方向（行或列）
- inplace 原地修改正
- 相关方法：
- 示例：
- 例1：小于最小边界的数据值，修剪为边界值
- 例2：传递 `array-like` 的各种注意事项
- 例3： `lower` 参数可以和 `upper` 参数一起使用
- 例4：在原数据里直接修剪
Pandas.Series.clip()
Pandas.Series.clip 根据指定的边界，修剪数据的最大最小范围。
- 若指定了最小边界
lower，沿轴数据中比lower小的值，会被替换为lower。 - 若指定了最大边界
upper，沿轴数据中比upper大的值，会被替换为upper。
语法：
Series.clip(lower=None, upper=None, *, axis=None, inplace=False, **kwargs)
返回值：
-
Series or Series or None
- 返回类型与调用者一致，若
inplace=True则返回None。
- 返回类型与调用者一致，若
参数说明：
lower 最小边界
-
lower : float or array-like, default None >
lower参数，用于指定数据的最小边界，数据中比lower小的值，会被替换为lower，默认lower=None表示不限制最小边界：lower参数可以和upper参数一起使用。 例3- float： 指定一个浮点数（整数也行），作为最小边界。例1
- array-like: 指定一个 array-like 作为最小边界。这可以做到按指定位置修剪。
⚠️ 注意 :
传递
array-like后的工作原理：如果传递
array-like,Series里的数值，和边界比较大小的过程，是逐个元素进行的：Series里的第1个元素，和array-like里的第1个元素比较；Series里的第2个元素，和array-like里的第2个元素比较；- …
- 直到所有元素比较完成。
传递
array-like的注意事项：-
📌 在未来版本中，
Series.clip不再自行推断数据类型，如果准备修剪的数据不是 浮点数float，并且你在lower或upper参数中传递了array-like：- 你会收到最多两条
FutureWarning，但是在当前版本并不影响程序运行。 其一来自 不是浮点数类型Series，另一个会来自你传递给lower或upper参数的 包含了pd.NA的array-like！ 需要注意的是，np.NaN和pd.NA的区别。例2-1 - 如果你无法忍受这个提示，推荐方法是，把
Series需要修剪的数据，使用astype转为 浮点数float。并使用np.NaN作为缺失值，而不是pd.NA。例2-2
- 你会收到最多两条
-
array-like如果有缺失值, 此缺失值，对应的Series里的数值，将不会被修剪。例2-3 -
array-like的长度，必须和Series的行列(依axis参数指定)等长，否则报错ValueError。 -
原理上
array-like包含list，但是如果涉及到计算，则必须使用能支持缺失值的结构，比如ndarray或Series等。建议是直接转为Series，再用于修剪，因为即使你不转换，pandas也会自行转换为Series。例2-4
传递
array-like的意义：- 通过 传递
array-like可以实现Series每一个元素，都有自己的 专属边界 ,做到按位置精准修剪。 - 通过 传递
array-like可以实现Series某个位置的数值不被修剪（该数值在array-like里，对应 NaN，即可以不被修剪）
upper 最大边界
-
upper : float or array-like, default None
upper参数，用于指定数据的最大边界，沿轴数据中比upper大的值，会被替换为upper，默认upper=None表示不限制最大边界：upper参数可以和lower参数一起使用。 例3- float： 指定一个浮点数（整数也行），作为最小边界
- array-like: 指定一个 array-like 作为最大边界。这可以做到按指定位置修剪。
⚠️ 注意 :
注意内容，与
lower参数的注意内容一致。
axis 指定修剪方向（行或列）
-
axis : {0 or ‘index’, 1 or ‘columns’}, default 0
axis参数，对于Series无效。
inplace 原地修改正
-
inplace : bool, default False 例4
inplace： 用于控制是否原地修改（在原Series直接修剪数据），默认inplace=False。- False 不原地修改，会生成原
Series的视图。 - True 原地修改（在原
Series直接修剪数据），使修剪直接在原数据里生效。
- False 不原地修改，会生成原
相关方法：
➡️ 相关方法
DataFrame.clip
修剪
示例：
测试文件下载：
本文所涉及的测试文件，如有需要，可在文章顶部的绑定资源处下载。
若发现文件无法下载，应该是资源包有内容更新，正在审核，请稍后再试。或站内私信作者索要。
例1：小于最小边界的数据值，修剪为边界值
例1-1 构建演示数据
import pandas as pd
data = [9, -3, 0, -1, 5]
s = pd.Series(data)
s
0 9
1 -3
2 0
3 -1
4 5
dtype: int64
例1-2 指定最小边界为 -1 ，则小于 -1 的数据值，都会被替换为 -1
s = s.clip(-1) # 等效于s.clip(lower=-1)
s
0 9
1 -1
2 0
3 -1
4 5
dtype: int64
例2：传递 array-like 的各种注意事项
例2-1 如果准备修剪的数据不是 浮点数float，并且你在lower或upper参数中传递了array-like则会收到版本提示 FutureWarning
import numpy as np
import pandas as pd
s2 = pd.Series({"第1列": [-5, -4, 0, 4, 5]})
list_for_clip = [-2, np.Na, 0, 1, 2]
s2 = s2.clip(list_for_clip) # 等效于s2.clip(lower=list_for_clip)
s2
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
Cell In[14], line 6
2 import pandas as pd
4 s2 = pd.Series({"第1列": [-5, -4, 0, 4, 5]})
----> 6 list_for_clip = [-2, np.Na, 0, 1, 2]
8 s2 = s2.clip(list_for_clip) # 等效于s2.clip(lower=list_for_clip)
9 s2
File D:\ProgramData\miniconda3\envs\python3.12\Lib\site-packages\numpy\__init__.py:347, in __getattr__(attr)
344 "Removed in NumPy 1.25.0"
345 raise RuntimeError("Tester was removed in NumPy 1.25.")
--> 347 raise AttributeError("module {!r} has no attribute "
348 "{!r}".format(__name__, attr))
AttributeError: module 'numpy' has no attribute 'Na'
例2-2 转换 Series 数据类型为 float，并使用 np.NaN 作为缺失值，就不会有版本提示了。
import numpy as np
import pandas as pd
s3 = pd.Series([-5, -4, 0, 4, 5]).astype(float)
list_for_clip = [-2, np.NaN, 0, 1, 2]
s3 = s3.clip(list_for_clip) # 等效于s43.clip(lower=list_for_clip)
s3
0 -2.0
1 -4.0
2 0.0
3 4.0
4 5.0
dtype: float64
例2-3 如果 array-like 包含缺失值，那么其在 Series 中对应的元素，不会被修剪。例如，我不想 Series 的 -4 被修剪，可以把array-like的对应位置指定为缺失值。
import numpy as np
import pandas as pd
s4 = pd.Series([-5, -4, 0, 4, 5]).astype(float)
list_for_clip = [-2, np.NaN, 0, 1, 2]
s4 = s4.clip(list_for_clip) # 等效于s4.clip(lower=list_for_clip)
s4
0 -2.0
1 -4.0
2 0.0
3 4.0
4 5.0
dtype: float64
例2-4 如果涉及到计算，则必须使用能支持缺失值的结构，比如 ndarray 或 Series 等。
import numpy as np
import pandas as pd
s5 = pd.Series([-5, -4, 0, 4, 5]).astype(float)
list_for_clip = pd.Series([-2, np.NaN, 0, 1, 2])
s5 = s5.clip(list_for_clip + 1) # 等效于s5.clip(lower=list_for_clip +1 )
s5
0 -1.0
1 -4.0
2 1.0
3 4.0
4 5.0
dtype: float64
例3： lower 参数可以和 upper 参数一起使用
import numpy as np
import pandas as pd
s7 = pd.Series([-5, -4, 0, 4, 5]).astype(float)
list_for_clip = pd.Series([-2, np.NaN, 0, 1, 2])
s7 = s7.clip(list_for_clip, list_for_clip + 1, axis=0) # 等效于s7.clip(lower=list_for_clip,upper=list_for_clip + 1, axis=0)
s7
0 -2.0
1 -4.0
2 0.0
3 2.0
4 3.0
dtype: float64
例4：在原数据里直接修剪
import numpy as np
import pandas as pd
s8 = pd.Series([-5, -4, 0, 4, 5]).astype(float)
list_for_clip1 = pd.Series([-2, np.NaN, 0, 1, 2])
s8.clip(list_for_clip1, inplace=True, axis=0) # 等效于s8.clip(lower=list_for_clip1, inplace=True, axis=0)
s8
0 -2.0
1 -4.0
2 0.0
3 4.0
4 5.0
dtype: float64
