一、pandas中的rank()函数

首先随机初始化一组数，然后

data = pd.Series([1,2,3,4,5])
print(data)
data = data.rank()
print(data)

这里的rank()函数打印出来虽然和原数组没区别，但是这里rank表示的是次序，所以这里的1.0，2.0表示的是第一名和第二名

如果有重复值的话

data = pd.Series([1,1,2,2,3,3,4,4,5])
print(data)
data = data.rank()
print(data)

 这里的的数组首先是有序的，所以数组里的第一个1的名次是第一名，表示1.0，第二个1的名次是第二名，表示2.0，重复值的话，默认求平均，所以它俩的名次平均值就是（1.0+2.0）/2 = 1.5，同理，第一个2是第三名，表示3.0，第二个2是第四名，表示4.0，平均值是（3.0+4.0）/2 = 3.5.

rank函数提供了method的参数，通过设置method参数，可以控制自己想要的排名方式。
如果说这个rank函数要解决的是考试排名的问题，现在出现了有两个同学并列第一的情况：

method='average' （默认设置）:那么这两个人就占据了前两名，分不出谁第 1，谁第 2，就把两人的名次算个平均数，都算 1.5 名，这样下一个人就是第3名。

method='max':两人并列第 2 名，下一个人是第 3 名。

method='min':两人并列第 1 名，下一个人是第 3 名。

method='dense':两人并列第 1 名，但下一个人是第 2 名。

method='first':那么试卷先被改出来的人是第 1 名，试卷后被改出来的是第 2 名。（这个例子并不严谨，实际会按照本来序列的显示顺序先后来排名）
 

 二、groupby中的rank()函数

groupby是聚合函数，对于某一列或多列进行聚合，可以看Pandas教程 | 超好用的Groupby用法详解 - 知乎

进行学习

 假设随机初始化几列数

import pandas as pd
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(df1)

df1 = df1.groupby(['col3']).rank(ascending=False)
print(df1)

 我们对col3进行聚合，然后再排名，其中ascending=False表示降序，打印一下结果

 首先看col1这一列。col1和col3可以分为三块，分别是

 由于是降序，那么排完序之后就变成了

 注意：这里的排序是每一块内单独排序，所以rank()函数的排名也是每一块的单独排名。

对于第一个块中，3现在是第一名，表示为1.0，第一个1是第二名，表示为2.0，第二个1是第三名，表示为3.0，method默认为平均，所以它俩的名次是(2.0+3.0)/2 = 2.5，0是第四名，表示为4.0。所以结果为

它这个结果是将排序后的顺序放在一开始分块后的结果上，意思就是  

顺序是放在   这个结果上面，所以结果是

对于第二个块中，7是第一名，表示为1.0，4是第二名，表示为2.0，所以结果为

 其他都同理。

其中groupby的rank函数也有method参数，用法与rank函数相同，这里不做介绍。

参考：

Pandas | rank()函数_Code_Porter的专栏-CSDN博客_pandas rank函数

Pandas —— rank( )函数进行排名_starter_____的博客-CSDN博客_dataframe rank

Pandas教程 | 超好用的Groupby用法详解 - 知乎