要将numpy clip应用于DataFrame df，并将%值作为字符串，可以用途：

def clip_it(x):
    try:
        n = x.replace('%', '')
        n = np.clip(int(n), -100, 100)
        return str(n)+'%'
    except ValueError:
        return x

df = df.应用Map（剪辑_it）
与

df = pd.DataFrame({'x': ['100%', '-200%', '57%'],
                   'y': [ '45%', '167%', '-23%']})

它给出了

x     y
0   100%   45%
1  -100%  100%
2    57%  -23%

如果你想把你的数据剪辑到-100%, 100%，你应该在样式化之前完成它。因为你的样式器基本上是乘以100并添加一个“%”字符，所以你的样式化数据中的-100%, 100%剪辑等价于你的原始数据中的-1.0, 1.0剪辑。

df = df.apply(lambda x: np.clip(x, -1, 1))
df

    var1    var2    var3    var4
0   1.0     1.00    1.0    1.0
1   1.0    -1.00   -1.0   -1.0
2   1.0    -0.95    1.0    1.0
3   1.0     0.18    1.0   -1.0
4   1.0    -0.73    1.0   -1.0
5   1.0     0.18   -1.0   -1.0

df.style.format({'var1': '{:.0%}','var2': '{:.0%}', 'var3': '{:.0%}','var4': '{:.0%}'})

    var1    var2    var3    var4
0   100%    100%    100%    100%
1   100%   -100%   -100%   -100%
2   100%   -95%     100%    100%
3   100%    18%     100%   -100%
4   100%   -73%     100%   -100%
5   100%    18%    -100%   -100%

然而，我想知道你是否真的需要像你的例子所建议的那样“裁剪”你的数据，或者你是否想相对于每列中的最大值和最小值来缩放它。如果你裁剪它，你会丢失162.49和4.54之间的差值，两者都变成了100%。通过缩放它，你可以在保持相对距离的同时将它保持在所需的范围内。
基于this answer，您可以

def scaler(data):
    top, bottom = 1, -1
    minimum, maximum = data.min(), data.max()
    return (data - maximum) / (minimum - maximum) * (bottom - top) + top

df = df.apply(scaler)
df

    var1    var2    var3    var4
0  -1.000000    1.000000   -0.718210    1.000000
1   0.148688   -1.000000   -1.000000   -1.000000
2  -0.807580   -0.982609    0.491079   -0.932228
3   0.854227   -0.589565   -0.871425   -1.000000
4   1.000000   -0.906087    1.000000   -1.000000
5  -0.959184   -0.589565   -1.000000   -1.000000

df.style.format({'var1': '{:.0%}','var2': '{:.0%}', 'var3': '{:.0%}','var4': '{:.0%}'})

    var1    var2    var3    var4
0  -100%    100%    -72%    100%
1    15%   -100%   -100%   -100%
2   -81%    -98%     49%    -93%
3    85%    -59%    -87%   -100%
4   100%    -91%    100%   -100%
5   -96%    -59%   -100%   -100%

当然，由于这是基于每列的最大值和最小值进行缩放，因此在-1.0, 1.0上裁剪时，缩放后的数据的0不会与原始数据的0对应，例如在var4列中，4.54变为-93%，因为它非常接近最小值。您可以修改前面的函数，以便在缩放时使用最大绝对值：

def scaler_abs(data):
    top, bottom = 1, -1
    max_abs = max([data.min(), data.max()], key=abs)
    minimum, maximum = -max_abs, max_abs
    return (data - maximum) / (minimum - maximum) * (bottom - top) + top

df = df.apply(scaler_abs)
df

    var1    var2    var3    var4
0   0.289855    1.000000    0.128555    1.000000
1   0.697723   -0.210526   -0.014364   -0.006154
2   0.358178   -0.200000    0.741885    0.027940
3   0.948240    0.037895    0.050847   -0.006154
4   1.000000   -0.153684    1.000000   -0.006154
5   0.304348    0.037895   -0.014364   -0.006154

df.style.format({'var1': '{:.0%}','var2': '{:.0%}', 'var3': '{:.0%}','var4': '{:.0%}'})

    var1    var2    var3    var4
0   29%     100%     13%     100%
1   70%     -21%     -1%      -1%
2   36%     -20%     74%       3%
3   95%       4%      5%      -1%
4   100%    -15%    100%      -1%
5   30%       4%     -1%      -1%

您可以使用numpy.clip来设置范围最小值或最大值以外的值，请考虑以下简单示例

import numpy as np
arr = np.array([[-500,-300,-100],[0,50,150]])
arr2 = np.clip(arr, -100, 100)
print(arr2)

给出输出

[[-100 -100 -100]
 [   0   50  100]]