### Pandas 中 `rank()` 函数的使用方法与示例 Pandas 的 `rank()` 函数用于计算数据集中每个元素在其所属行或列中的排名。此函数支持多种参数配置，可以根据不同场景调整行为。 #### 参数说明 - **axis**: {0 或 ‘index’, 1 或 ‘columns’}，默认为 0。指定沿哪个轴进行排名运算。 - **method**: {'average', 'min', 'max', 'first', 'dense'}，默认为 'average'。定义如何处理具有相同值的数据点： - `'average'`: 返回这些点的平均排名[^4]。 - `'min'`: 返回这些点中最低的排名[^4]。 - `'max'`: 返回这些点中最高的排名[^4]。 - `'first'`: 按照它们在原始数组中的顺序分配排名[^4]。 - `'dense'`: 类似于‘min’，但是连续的排名之间不会有间隙[^5]。 - **ascending**: bool，默认 True。如果为 False，则按照降序排列。 - **numeric_only**: bool，默认 None。仅适用于 Series。如果为 True，则只考虑数值型数据[^3]。 #### 示例代码展示 ```python import pandas as pd # 构建测试 DataFrame list1 = [1, 3, 1, 0, 7, 4, 0] list2 = [3, 3, 2, 0, 4, 4, 5] list3 = [3, 3, 3, 3, 4, 4, 6] df1 = pd.DataFrame({ 'col1': list1, 'col2': list2, 'col3': list3 }) print("Original DataFrame:") print(df1) # 默认情况下（升序） df_rank_default = df1.rank() print("\nRank with default parameters (ascending=True):") print(df_rank_default) # 设置 descending 排序 df_rank_descending = df1.rank(ascending=False) print("\nRank in descending order:") print(df_rank_descending) # 处理平局的方式：最大值 df_rank_max = df1.rank(method='max') print("\nRank using the max method to handle ties:") print(df_rank_max) # 密集排名 df_rank_dense = df1.rank(method='dense') print("\nRank using dense ranking:") print(df_rank_dense) # 结合 groupby 进行分组排名 df_grouped_rank = df1.groupby('col1')['col2'].rank(method='first') print("\nGroup-by rank on column 'col2' within each value of 'col1':") print(df_grouped_rank) ``` 以上脚本演示了几种不同的排名策略以及如何结合 `groupby` 来实现更复杂的逻辑[^1][^2]。 --- ###