Python是进行数据分析的一种出色语言,主要是因为以数据为中心的python软件包具有奇妙的生态系统。 Pandas是其中的一种,使导入和分析数据更加容易。
Pandas dataframe.clip_upper()用于在指定的输入阈值处修整值。我们使用此功能将高于输入值阈值的所有值修整为指定的输入值。
用法: DataFrame.clip_upper(threshold, axis=None, inplace=False)
参数:
threshold:浮动或数组
float:将每个值与阈值进行比较。
array-like:阈值的形状应与被比较的对象匹配。当self为Series时,阈值应为长度。当self是DataFrame时,阈值应为2-D,并且对于axis = None,其形状应与self相同,或者为1-D,且长度与要比较的轴相同。
axis:沿给定轴将对象与阈值对齐。
inplace:是否对数据执行适当的操作。
返回:剪切:与输入类型相同
范例1:采用clip_upper()用于将数据帧的值修整到给定阈值以上的功能。
# 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,将所有大于8的值修剪为8。
# Clip all values below 2
df.clip_upper(8)
输出:
范例2:采用clip_upper()用于将 DataFrame 中的值裁剪为该 DataFrame 中每个单元格具有特定值的功能。
为此,我们可以使用numpy数组,但是数组的形状必须与 DataFrame 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
现在将这些限制应用于 DataFrame 。
# applying different limit value
# for each cell in the dataframe
df.clip_upper(limit)
输出:
每个单元格值均已根据所应用的相应上限进行修整。