rank函数python_Python pandas.DataFrame.rank函数方法的使用

DataFrame.rank(self: ~FrameOrSeries, axis=0, method: str = 'average', numeric_only: Union[bool, NoneType] = None, na_option: str = 'keep', ascending: bool = True, pct: bool = False) → ~FrameOrSeries

计算沿轴的数值数据等级(1到n)。

默认情况下，为相等的值分配一个等级，该等级是这些值的等级的平均值。

参数：axis：{0或'index'，1或'columns'}，默认0

直接排名的索引。

method：{'average'，'min'，'max'，'first'，'dense'}，

默认为'average'

如何对具有相同值(即ties)的记录组进行排名：

1) average：组的平均等级

2) min：组中最低的排名

3) max：组中最高等级

4) first : 按排列顺序排列，依次排列

5) dense：类似于‘min’，但组之间的排名始终提高1

numeric_only：bool, 可选

对于DataFrame对象，如果设置为True，

则仅对数字列进行排名。

na_option：{'keep'，'top'，'bottom'}，

默认为'keep'

如何对NaN值进行排名：

1) keep：将NaN等级分配给NaN值

2) top：如果升序，则将最小等级分配给NaN值

3) bottom：如果升序，则将最高等级分配给NaN值。

ascending：bool，默认为True

元素是否应该按升序排列。

pct：bool，默认为False

是否以百分比形式显示返回的排名。

返回值：与调用者相同的类型

返回以数据等级作为值的Series或DataFrame。

例子>>> df = pd.DataFrame(data={'Animal': ['cat', 'penguin', 'dog',

... 'spider', 'snake'],

... 'Number_legs': [4, 2, 4, 8, np.nan]})

>>> df

Animal Number_legs

0 cat 4.0

1 penguin 2.0

2 dog 4.0

3 spider 8.0

4 snake NaN

以下示例显示了使用上述参数的方法的行为：

default_rank：这是不使用任何参数而获得的默认行为。

max_rank：设置method = 'max'具有相同值的记录将使用最高排名进行排名(例如：由于'cat'和'dog'都位于第二和第三位置，因此分配了rank 3。)

NA_bottom：选择na_option = 'bottom'，如果存在具有NaN值的记录，则将它们放在排名的底部。

pct_rank：设置pct = True时，排名以百分等级表示。

>>> df['default_rank'] = df['Number_legs'].rank()

>>> df['max_rank'] = df['Number_legs'].rank(method='max')

>>> df['NA_bottom'] = df['Number_legs'].rank(na_option='bottom')

>>> df['pct_rank'] = df['Number_legs'].rank(pct=True)

>>> df

Animal Number_legs default_rank max_rank NA_bottom pct_rank

0 cat 4.0 2.5 3.0 2.5 0.625

1 penguin 2.0 1.0 1.0 1.0 0.250

2 dog 4.0 2.5 3.0 2.5 0.625

3 spider 8.0 4.0 4.0 4.0 1.000

4 snake NaN NaN NaN 5.0 NaN