rank函数中的参数method有四个取值：无参,"min","max","first"

• 无参
  相同排名下，取平均值进行排名

ser=pd.Series([3,2,0,3],index=list('abcd'))
print(ser)

ser=ser.rank() #默认为average
print(ser)

#输出
a    3
b    2
c    0
d    3

dtype: int64
a    3.5
b    2.0
c    1.0
d    3.5
dtype: float64

因为a与d的值相同，排名分别为3和4，取平均值后为(3+4)/2=3.5，所以a和b的排名为3.5。

• min
  相同的值取较小的排名。

ser=pd.Series([3,2,0,3],index=list('abcd'))
print(ser)

ser=ser.rank(method='min')
print(ser)

#输出
a    3
b    2
c    0
d    3

dtype: int64
a    3.0
b    2.0
c    1.0
d    3.0
dtype: float64

因为a与d的值相同，排名分别为3和4，取较小的排名作为它们的排名，所以a和b的排名为3。

• max
  相同的值取较大的排名。

ser=pd.Series([3,2,0,3],index=list('abcd'))
print(ser)

ser=ser.rank(method='max')
print(ser)

#输出
a    3
b    2
c    0
d    3
dtype: int64

a    4.0
b    2.0
c    1.0
d    4.0
dtype: float64

因为a与d的值相同，排名分别为3和4，取较大的排名作为它们的排名，所以a和b的排名为4。

• first
  按顺序排列，不允许并列。

ser=pd.Series([3,2,0,3],index=list('abcd'))
print(ser)

ser=ser.rank(method='first')
print(ser)


#输出
a    3
b    2
c    0
d    3
dtype: int64
a    3.0
b    2.0
c    1.0
d    4.0
dtype: float64

相同的值按照出现顺序排列，先出现的值排名靠前（The first value is ranked first），不允许并列排名。

函数形式：

DataFrame.rank(axis=0, method='average', numeric_only=NoDefault.no_default, na_option='keep', ascending=True, pct=False)

沿轴计算数值数据等级(1到n)。默认情况下，相等的值被分配一个等级，这个等级是这些值的等级的平均值。

• axis:直接排名索引。

• method：如何对具有相同值（即平局）的记录组进行排名：

                                          average：组的平均排名

                                          min：组中的最低排名

                                          max：组中的最高排名

   first：按照它们在数组中出现的顺序分配的等级

dense：类似于“min”，但组间排名总是增加 1

• numeric_only：对于DataFrame对象，如果设置为True，则只对数字列排序。
• na_option：如何对NaN值进行排序。top:给NaN值分配最低等级；bottom：给NaN值赋最高等级；keep：给NaN值赋NaN
• ascending：元素是否应该按升序排列。
• pct：是否以百分比形式显示返回的排名。

返回值：返回一个Series或DataFrame的值。

来，上例子：

>>> import pandas as pd
>>> import numpy as np
>>> 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

 下面的示例展示了该方法如何处理上述参数：

• default_rank:这是不使用任何参数获得的默认行为
• max_rank:设置方法= 'max'有相同值的记录使用最高的排名(例如:因为猫和狗都在第二和第三位，排名均为3。)
• NA_bottom: 选择na_option = 'bottom'，如果有带有NaN值的记录，它们将被放在排名的底部。

pandas.DataFrame.rank — pandas 1.4.1 documentation

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：

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：

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：

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：

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：

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：

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》