pandas.core.groupby.SeriesGroupBy.rank

SeriesGroupBy.rank(method='average', ascending=True, na_option='keep', pct=False, axis=_NoDefault.no_default)

提供每个组内值的排名。

Parameters:

<strong>method</strong>{‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}, default ‘average’

• average：组的平均排名。

• min：组中的最低排名。

• max：组中的最高排名。

• first：按数组出现顺序分配排名。

• dense: 类似于 ‘min’，但组之间的排名始终增加 1。

ascendingbool, default True

False 表示按从高到低（1 到 N）的排名。

na_option{‘keep’, ‘top’, ‘bottom’}, default ‘keep’

• keep：将 NA 值保留在原位。

• top：如果是升序，则为最小排名。

• bottom：如果是降序，则为最小排名。

pctbool，默认 False

计算每个组内数据的百分比排名。

axisint，默认为 0

计算排名的对象上的轴。

自 2.1.0 版本弃用: 对于 axis=1，在底层对象上操作。否则 axis 关键字不是必需的。

Returns:

包含每个组内值排名的 DataFrame。

参见

Series.groupby

将函数 groupby 应用于 Series。

DataFrame.groupby

将函数 groupby 应用于 DataFrame 的每一行或每一列。

Examples

>>> df = pd.DataFrame(
...     {
...         "group": ["a", "a", "a", "a", "a", "b", "b", "b", "b", "b"],
...         "value": [2, 4, 2, 3, 5, 1, 2, 4, 1, 5],
...     }
... )
>>> df
  group  value
0     a      2
1     a      4
2     a      2
3     a      3
4     a      5
5     b      1
6     b      2
7     b      4
8     b      1
9     b      5
>>> for method in ['average', 'min', 'max', 'dense', 'first']:
...     df[f'{method}_rank'] = df.groupby('group')['value'].rank(method)
>>> df
  group  value  average_rank  min_rank  max_rank  dense_rank  first_rank
0     a      2           1.5       1.0       2.0         1.0         1.0
1     a      4           4.0       4.0       4.0         3.0         4.0
2     a      2           1.5       1.0       2.0         1.0         2.0
3     a      3           3.0       3.0       3.0         2.0         3.0
4     a      5           5.0       5.0       5.0         4.0         5.0
5     b      1           1.5       1.0       2.0         1.0         1.0
6     b      2           3.0       3.0       3.0         2.0         3.0
7     b      4           4.0       4.0       4.0         3.0         4.0
8     b      1           1.5       1.0       2.0         1.0         2.0
9     b      5           5.0       5.0       5.0         4.0         5.0