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

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。

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：

    1. Series 里的第1个元素，和 array-like 里的第1个元素比较；
    2. Series 里的第2个元素，和 array-like 里的第2个元素比较；
    3. …
    4. 直到所有元素比较完成。

    传递 array-like 的注意事项：

    1. 📌 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：

       1. 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
       2. 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

    2. 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

    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 。

    4. 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：

    1. 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。
    2. 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。

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