关于Python中rank()函数的理解
刚开始学习《利用Python进行数据分析》这本书，当学习到对Serises和Dataframe进行排名的时候，有些疑惑，去网上搜索了很多关于这方面的解释，要么就是一两句带过，要么就是照搬书上的例子与结果，把我们这些刚入门的小白当成了高手，所以我打算自己认真的写一篇关于rank函数的简要解释说明。这是我第一次在CSDN上写博客，如果有不对的地方，可以留言，我会认真改正。页面做的很简单，望大家谅解。
Rank()函数
Rank也就是所说的”排名“，是指对数组从1到有效数据点总数分配名次的操作。
默认情况下，rank通过将平均排名分配到每个组来打破平级关系：
初始化一个序列
import pandas as pd
obj = pd.Series([7,-5,7,4,2,0,4])
obj
运行结果：
0 7
1 -5
2 7
3 4
4 2
5 0
6 4
dtype: int64
执行默认rank()操作
obj.rank()
运行结果：
0 6.5
1 1.0
2 6.5
3 4.5
4 3.0
5 2.0
6 4.5
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #1 |
| 0 | 5 | #2 |
| 2 | 4 | #3 |
| 4 | 3 | #4 |
| 4 | 6 | #5 |
| 7 | 0 | #6 |
| 7 | 2 | #7 |
根据上面的表格可以看出，索引0对应的元素排名为6，但是使用rank()会对排名求平均值，也就是说有N歌相同的元素，排名会相加并除以N,所以说索引0对应的元素最终排名为6.5；索引1对应的元素排名为1，所以它对应的排名值为1.0，以此类推得出上述运行结果。
rank(method=‘first’)
这个函数其中传入了一个参数‘first’，作用是按照值在数据中出现的次序分配排名。
obj.rank(method='first')
运行结果：
0 6.0
1 1.0
2 7.0
3 4.0
4 3.0
5 2.0
6 5.0
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #1 |
| 0 | 5 | #2 |
| 2 | 4 | #3 |
| 4 | 3 | #4 |
| 4 | 6 | #5 |
| 7 | 0 | #6 |
| 7 | 2 | #7 |
结合上面的表格，我们拿索引为0的元素举例说明，可以看出索引0的排名为6，但是注意，当传入‘first’是就意味着不会对排名进行平均取值，所以即使有相同的元素，也会按照谁先出现就把谁排在前面（是不是有点像上学期间考试的成绩排名？按姓名字母排序，即使你俩分数一样）所以它对应的值为6.0，以此类推，在这里不再赘述。
rank(method = ‘max’)
这里method的参数变为了 max，意味着对整个组使用最大排名。
obj.rank(method='max')
运行结果：
0 7.0
1 1.0
2 7.0
3 5.0
4 3.0
5 2.0
6 5.0
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #1 |
| 0 | 5 | #2 |
| 2 | 4 | #3 |
| 4 | 3 | #4 |
| 4 | 6 | #5 |
| 7 | 0 | #6 |
| 7 | 2 | #7 |
以索引为0的元素为例，它对应的元素是7，排名为6，但是它有一个和它一样的元素，排名为7，所以这里取最大的排名，也就是7，所以运行结果中索引为0对应的值为7.0，剩下的元素同理，这里不再赘述。
rank(method = ‘min’)
min 的意思为对整个组使用最小排名。
obj.rank(method='min')
运行结果：
0 6.0
1 1.0
2 6.0
3 4.0
4 3.0
5 2.0
6 4.0
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #1 |
| 0 | 5 | #2 |
| 2 | 4 | #3 |
| 4 | 3 | #4 |
| 4 | 6 | #5 |
| 7 | 0 | #6 |
| 7 | 2 | #7 |
还是以索引为0的元素为例，它对应的值为7，排名为6，即使后面有和它值相同的元素，排名取它们其中最小的那个，所以运行结果中索引为0对应的值为6，其余元素以此类推，这里不再赘述。
rank(ascending = False, method = ‘max’)
这个函数相较于上面的函数，多传入了一个ascending，它的意思是”升序“的意思，这里取值为 False，意为对元素进行降序排序；而且method的值取为 max，与上面的max作用相同。
obj.rank(ascending=False,method='max')
运行结果：
0 2.0
1 7.0
2 2.0
3 4.0
4 5.0
5 6.0
6 4.0
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #7 |
| 0 | 5 | #6 |
| 2 | 4 | #5 |
| 4 | 3 | #3 |
| 4 | 6 | #4 |
| 7 | 0 | #1 |
| 7 | 2 | #2 |
可以看出，与上面的表格相比，最大的变化是元素进行了降序排序，所以名次也发生了变化。我还是拿索引为0的元素拿来举例（因为它太有代表性了，所以我总是用它来说明），它现在对应的排名为6，但是这里method取的值为max，所以当有相同的元素时，取排名最大的那个，所以它的值为2.0，剩下的元素也是一样，这里不再赘述。
rank(ascending = False, method = ‘min’)
这个函数相较于上面的函数，method的值变为了min,与上面的min作用相同。
obj.rank(ascending=False,method='min')
运行结果：
0 1.0
1 7.0
2 1.0
3 3.0
4 5.0
5 6.0
6 3.0
dtype: float64
运行结果分析：
| 元素 | 索引 | 排名 |
|---|---|---|
| -5 | 1 | #7 |
| 0 | 5 | #6 |
| 2 | 4 | #5 |
| 4 | 3 | #3 |
| 4 | 6 | #4 |
| 7 | 0 | #1 |
| 7 | 2 | #2 |
索引值为0的元素对应的排名为1，即使后面有相同的元素，取它们之中最小的排名，所以它对应的值为1.0，其余元素排名以此类推，这里不再赘述。
DataFrame.rank()
它会对DataFrame的0轴进行排名（不了解轴的可以去看一下Numpy中ndarray的解释），可以把DataFrame理解为一个二维数组，对0轴排名也就是按着纵向排名
我们先初始化一个DataFrame
frame = pd.DataFrame({'b' : [4.3, 7, -3, 2], 'a' : [0, 1, 0, 1],'c' : [-2, 5, 8, -2.5]})
frame
运行结果：
frame.rank()
运行结果：
运行结果分析：
先对columns='b’的数据进行排名，然后对columns='a’排名，最后对column='c’进行排名，排名规则与上面的Series规则一致，这里不再赘述。
frame.rank(axis=‘columns’)
这里传入了一个参数 axis，它的意思是"轴"的意思，上面的那个如果括号里不加，默认是对0轴进行排名（等价于axis=0）,这个参数传入的值 columns 意为对‘b’,‘a’,'c’这几个列进行排名（横向排名）。
frame.rank(axis='columns')
运行结果：
运行结果分析：
先对index=0这一行进行排名，其次对index=2排名，最后对index=3进行排名，排名规则也是和上面的一样。
《利用Python进行数据分析》