所谓的排名,就是一组数据,我们想要知道每一条数据在整体中的名次,需要的是输出名次,并不改变原数据结构。
排序会改变原来的数据结构,且不会返回名次,这一点区别需要弄明白。初学的时候容易弄混淆。
本文将通过一个实例,讲清楚Pandas中rank()排名函数的应用。下面是案例数据,包括我、张三以及唐宋八大家的语文考试成绩。
- import pandas as pd
- data = pd.DataFrame({'班级':['1班','1班','1班','1班','1班','2班','2班','2班','2班','2班'],
- '姓名':['韩愈','柳宗元','欧阳修','苏洵','苏轼','苏辙','曾巩','王安石','张三','小伍哥'],
- '成绩':[80,70,70,40,10,60,60,50,50,40]})
- #姓名长度不一样的,加个符号调整下,这该死的强迫症
- data['姓名'] = data['姓名'].str.rjust(3,'〇')
一、DataFrame的正常排名
Pandas中的排名,函数为rank(),使用也比较简单,需要注意的是各种排名的差异,需要进行充分理解,这样在实际应用中才不会出错。
函数用法:
- DataFrame.rank(axis=0,method='average',numeric_only=None,
- na_option='keep',ascending=True,pct=False)
参数说明:
axis:0或'index',1或'columns',默认0,沿着行或列计算排名
method:'average','min','max','first','dense',默认为'average',如何对具有相同值(即ties)的记录组进行排名:
- average:组的平均等级
- min:组中最低的排名
- max:组中最高等级
- first : 按排列顺序排列,依次排列
- dense:类似于 ‘min’,但组之间的排名始终提高1
numeric_only:bool,是否仅仅计算数字型的columns,布尔值
na_option:{'keep','top','bottom'},默认为'keep',NaN值是否参与排名及如何排名
- keep:将NaN等级分配给NaN值
- top:如果升序,则将最小等级分配给NaN值
- bottom:如果升序,则将最高等级分配给NaN值。
ascending:bool,默认为True,元素是否应该按升序排名。
pct:bool,默认为False,是否以百分比形式显示返回的排名。
所有的参数中,最核心的参数是method,一共5种排名方法,下面对这5种方法进行对比,应用的时候更好的去选择。
1、method='first'
当method='first'时,当里两个人的分数相同时,分数相同的情况下,谁先出现谁的排名靠前(当method取值为min,max,average时,都是要参考“顺序排名”的),表中的柳宗元和欧阳修分数相同,但是柳宗元在表格的前面,所以排名第2,欧阳修排名第3。
班级 |
姓名 |
成绩 |
成绩(method='first') |
1班 |
〇韩愈 |
50 |
1 |
1班 |
柳宗元 |
30 |
2 |
1班 |
欧阳修 |
30 |
3 |
1班 |
〇苏洵 |
20 |
4 |
1班 |
〇苏轼 |
10 |
5 |
代码如下:
- #为了简化,我们只选择1班的成绩来看
- data_1 = data[data['班级']=='1班']
- data_1['成绩_first'] = data_1['成绩'].rank(method='first',ascending=False)
- data_1
- 班级 姓名 成绩 成绩_first
- 0 1班 〇韩愈 50 1.0
- 1 1班 柳宗元 30 2.0
- 2 1班 欧阳修 30 3.0
- 3 1班 〇苏洵 20 4.0
- 4 1班 〇苏轼 10 5.0
2、method='min'
当method='min'时,成绩相同的同学,取在顺序排名中最小的那个排名作为该值的排名,会出现名次跳空,柳宗元和欧阳修分数相同,在上面的排名中,分别排第2、第3,所以这里取两个中最小的为排名名次2作为共同的名次。
班级 |
姓名 |
成绩 |
成绩(method='min') |
1班 |
〇韩愈 |
50 |
1 |
1班 |
柳宗元 |
30 |
2 |
1班 |
欧阳修 |
30 |
2 |
1班 |
〇苏洵 |
20 |
4 |
1班 |
〇苏轼 |
10 |
5 |
代码如下:
- data_1 = data[data['班级']=='1班']
- data_1['成绩_min'] = data_1['成绩'].rank(method='min',ascending=False)
- data_1
- 班级 姓名 成绩 成绩_min
- 0 1班 〇韩愈 50 1.0
- 1 1班 柳宗元 30 2.0
- 2 1班 欧阳修 30 2.0
- 3 1班 〇苏洵 20 4.0
- 4 1班 〇苏轼 10 5.0
3、method='max'
当method='max'时,与上面的min相反,成绩相同的同学,取在顺序排名中最大的那个排名作为该值的排名,,会出现名次跳空,柳宗元和欧阳修分数相同,在顺序排名中,分别排第2、第3,所以这里取两个中最大的为排名名次3作为共同的名次。
班级 |
姓名 |
成绩 |
成绩_max |
1班 |
〇韩愈 |
50 |
1 |
1班 |
柳宗元 |
30 |
3 |
1班 |
欧阳修 |
30 |
3 |
1班 |
〇苏洵 |
20 |
4 |
1班 |
〇苏轼 |
10 |
5 |
代码如下:
- data_1 = data[data['班级']=='1班']
- data_1['成绩_max'] = data_1['成绩'].rank(method='max',ascending=False)
- data_1
- 班级 姓名 成绩 成绩_max
- 0 1班 〇韩愈 50 1.0
- 1 1班 柳宗元 30 3.0
- 2 1班 欧阳修 30 3.0
- 3 1班 〇苏洵 20 4.0
- 4 1班 〇苏轼 10 5.0
4、method='dense'
method='dense',dense是稠密的意思,即相同成绩的同学排名相同,其他依次加1即可,不会出现名次跳空的情况。柳宗元和欧阳修分数相同,在上面的排名中,分别排第2、第3,取相同排名2,这个看上去和min一样的,但是下一名的排名发生了变化,〇苏洵同学从第4名排到了第3名,排名数字连续的,没有跳跃。
班级 |
姓名 |
成绩 |
成绩_dense |
1班 |
〇韩愈 |
50 |
1 |
1班 |
柳宗元 |
30 |
2 |
1班 |
欧阳修 |
30 |
2 |
1班 |
〇苏洵 |
20 |
3 |
1班 |
〇苏轼 |
10 |
4 |
代码如下:
- data_1 = data[data['班级']=='1班']
- data_1['成绩_dense'] = data_1['成绩'].rank(method='dense',ascending=False)
- data_1
- 班级 姓名 成绩 成绩_dense
- 0 1班 〇韩愈 50 1.0
- 1 1班 柳宗元 30 2.0
- 2 1班 欧阳修 30 2.0
- 3 1班 〇苏洵 20 3.0
- 4 1班 〇苏轼 10 4.0
5、method='average'
当method='average'或者默认值时,成绩相同时,取顺序排名中所有名次之和除以该成绩的个数,即为该成绩的名次;比如上述排名中,30排名为2,3,那么 30的排名 = (2+3)/2=2.5,成绩为50的同学只有1个,且排名为1,那50的排名就位1/1=1。
班级 |
姓名 |
成绩 |
成绩_average |
1班 |
〇韩愈 |
50 |
1 |
1班 |
柳宗元 |
30 |
2.5 |
1班 |
欧阳修 |
30 |
2.5 |
1班 |
〇苏洵 |
20 |
4 |
1班 |
〇苏轼 |
10 |
5 |
代码如下:
- data_1 = data[data['班级']=='1班']
- data_1['成绩_average'] = data_1['成绩'].rank(method='average',ascending=False)
- data_1
- 班级 姓名 成绩 成绩_average
- 0 1班 〇韩愈 50 1.0
- 1 1班 柳宗元 30 2.5
- 2 1班 欧阳修 30 2.5
- 3 1班 〇苏洵 20 4.0
- 4 1班 〇苏轼 10 5.0
综合上面的所有排名类型类型整体对比看看:
班级 |
姓名 |
成绩 |
rank |
rank_min |
rank_max |
rank_first |
rank_dense |
1班 |
〇韩愈 |
50 |
1 |
1 |
1 |
1 |
1 |
1班 |
柳宗元 |
30 |
2.5 |
2 |
3 |
2 |
2 |
1班 |
欧阳修 |
30 |
2.5 |
2 |
3 |
3 |
2 |
1班 |
〇苏洵 |
20 |
4 |
4 |
4 |
4 |
3 |
1班 |
〇苏轼 |
10 |
5 |
5 |
5 |
5 |
4 |
- data_1 = data[data['班级']=='1班']
- data_1['rank'] = data_1['成绩'].rank(ascending=False)
- data_1['rank_min'] = data_1['成绩'].rank(method='min',ascending=False)
- data_1['rank_max'] = data_1['成绩'].rank(method='max',ascending=False)
- data_1['rank_first'] = data_1['成绩'].rank(method='first',ascending=False)
- data_1['rank_dense'] = data_1['成绩'].rank(method='dense',ascending=False)
- data_1
- 班级 姓名 成绩 rank rank_min rank_max rank_first rank_dense
- 0 1班 〇韩愈 50 1.0 1.0 1.0 1.0 1.0
- 1 1班 柳宗元 30 2.5 2.0 3.0 2.0 2.0
- 2 1班 欧阳修 30 2.5 2.0 3.0 3.0 2.0
- 3 1班 〇苏洵 20 4.0 4.0 4.0 4.0 3.0
- 4 1班 〇苏轼 10 5.0 5.0 5.0
其他参数都比较简单了,计算一行的排名,axis=0即可。
参数pct=True时,返回排名的分位数,可以用于计算排名的百分比,非常方便。
- data_1 = data[data['班级']=='1班']
- data_1['成绩_first'] = data_1['成绩'].rank(method='first',
- ascending=False,
- pct=True)
- data_1
- 班级 姓名 成绩 成绩_first
- 0 1班 〇韩愈 80 0.2
- 1 1班 柳宗元 70 0.4
- 2 1班 欧阳修 70 0.6
- 3 1班 〇苏洵 40 0.8
- 4 1班 〇苏轼 10 1.0
二、DataFrame的分组排名
在上文中,我们看到了rank()函数对DataFrame直接排名,非常方便,也非常丰富,当然,rank()也可以对经过groupby分组后的数据进行排名,分组排名的功能,让数据分析更加的精细化,大大提高分析效率。直接使用开头创建好的数据集,按班级排名,看看乜咯班级的第一名是谁。
- data['成绩_dense']= data.groupby('班级')['成绩'].rank(method='dense')
- data
- 班级 姓名 成绩 成绩_dense
- 0 1班 〇韩愈 50 4.0
- 1 1班 柳宗元 30 3.0
- 2 1班 欧阳修 30 3.0
- 3 1班 〇苏洵 20 2.0
- 4 1班 〇苏轼 10 1.0
- 5 2班 〇苏辙 60 3.0
- 6 2班 〇曾巩 60 3.0
- 7 2班 王安石 50 2.0
- 8 2班 〇张三 50 2.0
- 9 2班 小伍哥 40 1.0
同上面的直接排名,method一样的可以使用各种方法,达到各种排名的目的。
- data['成绩_average']= data.groupby('班级')['成绩'].rank(method='average')
- data
- 班级 姓名 成绩 成绩_average
- 0 1班 〇韩愈 80 5.0
- 1 1班 柳宗元 70 3.5
- 2 1班 欧阳修 70 3.5
- 3 1班 〇苏洵 40 2.0
- 4 1班 〇苏轼 10 1.0
- 5 2班 〇苏辙 60 4.5
- 6 2班 〇曾巩 60 4.5
- 7 2班 王安石 50 2.5
- 8 2班 〇张三 50 2.5
- 9 2班 小伍哥 40 1.0
三、Series的排名
对于Series。其实就是数据框的一列,没啥多说的,一样的方法就行,下面写了两个简单的示例,大家参考下。
- from pandas import Series
- s = Series([1,3,2,1,6])
- s.rank()
- a 1.5
- c 4.0
- d 3.0
- b 1.5
- e 5.0
根据值在数组中出现的顺序进行排名,method='first'
- s.rank(method='first')
- a 1.0
- c 4.0
- d 3.0
- b 2.0
- e 5.0
根据值在数组中出现的顺序密集排名,method='dense'
- s.rank(method='dense')
- a 1.0
- c 3.0
- d 2.0
- b 1.0
- e 4.0
原文链接:https://mp.weixin.qq.com/s/gbhSTXXUdKLDUzNgmgp1kQ