python Pandas.rank() 排名函数详解

• Python

文章目录

  • Pandas.rank() 函数详解
    • 一、参数解析
    • 二、案例分享
          • 默认排名
          • `降序: ascending = False`
          • `method = ‘min’`
          • `method = ‘max’`
          • `method = ‘first’`
          • `method = ‘dense’`
          • `na_option=’bottom’`
          • `pct = True`

Pandas.rank() 函数详解

一、参数解析

  • method：指定排名时的策略。
    • 默认值为 ‘average’，表示相同值的项将会获得平均排名。
    • 可选的取值还包括
      • ‘min’：相同值的项将获得最小排名；
      • ‘max’：相同值的项将获得最大排名；
      • ‘first’：相同值的项将获得第一次出现时的排名；
      • ‘dense’。相同值的项将获得连续排名。
  • ascending：指定排名的顺序。
    • 默认值为 True，升序。
    • 设置为 False 降序。
  • na_option：指定如何处理缺失值（NaN）。
    • 默认值为 ‘keep’，缺失值不参与排名。
    • 设置为 ‘top’ 则将缺失值放在排名结果的顶部。
    • 设置为 ‘bottom’ 则将缺失值放在排名结果的底部。
  • pct：指定是否返回百分比排名。
    • 默认值为 False 表示返回实际的排名值。
    • 设置为 True 则返回相对于总项数的百分比排名值。

二、案例分享

import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Emma', 'Frank'],
        'Score': [90, 85, 85, 75, None, 78]}
df = pd.DataFrame(data)

在这里插入图片描述

默认排名
  • 升序、忽略缺失值；
  • 遇到相同数值（如score=85），排名会平分
df['Rank'] = df['Score'].rank()

在这里插入图片描述

降序: ascending = False
df['Rank'] = df['Score'].rank(ascending=False)

在这里插入图片描述

method = ‘min’
  • 相同值的项将获得最小排名；
  • 此处相同值为85，占排名3、4位，取最小3；
  • 此时排名会出现断层
df['Rank'] = df['Score'].rank(method='min')

在这里插入图片描述

method = ‘max’
  • 相同值的项将获得最大排名；
  • 此处相同值为85，占排名3、4位，取最大4；
  • 此时排名会出现断层
df['Rank'] = df['Score'].rank(method='max')

在这里插入图片描述

method = ‘first’
  • 相同值的项将获得第一次出现时的排名；
  • 此处相同值为85，占排名3、4位，Name=Bob出现在前，Name=Charlie出现在后；
  • 此时排名不会出现断层
df['Rank'] = df['Score'].rank(method='first')

在这里插入图片描述

method = ‘dense’
  • 相同值的项将获得连续排名；
  • 此时排名不会出现断层
df['Rank'] = df['Score'].rank(method='dense')

在这里插入图片描述

na_option=’bottom’
  • 缺失值参与排名；
  • 缺失值排名靠后
df['Rank'] = df['Score'].rank(na_option='bottom')

在这里插入图片描述

pct = True
  • 返回百分比排名，如此处score=75排名第1（升序），总项数是5，1/5=0.2；
  • 该参数可以扩展的实际需求：求销售额Top20的商品等
df['Rank'] = df['Score'].rank(pct=True)

在这里插入图片描述

本文来自网络，不代表协通编程立场，如若转载，请注明出处：https://net2asp.com/4186a495f1.html

赞 (0)
« 上一篇 1天前
下一篇 » 1天前

相关推荐