maxframe.dataframe.groupby.DataFrameGroupBy.rank

DataFrameGroupBy.rank(method='average', ascending=True, na_option='keep', pct=False)

提供每组内值的排名。

参数:

• method ({'average', 'min', 'max', 'first', 'dense'}, default 'average') --

  • average: 组内平均排名。

  • min: 组内最低排名。

  • max: 组内最高排名。

  • first: 按照在数组中出现的顺序分配排名。

  • dense: 类似'min'，但组间排名总是增加1。

• ascending (bool, default True) -- False表示从高(1)到低(N)排名。

• na_option ({'keep', 'top', 'bottom'}, default 'keep') --

  • keep: 保留NA值在原位置。

  • top: 如果升序则为最小排名。

  • bottom: 如果降序则为最小排名。

• pct (bool, default False) -- 计算每组内数据的百分比排名。

返回类型:

DataFrame with ranking of values within each group

参见

Series.groupby

对Series应用groupby函数。

DataFrame.groupby

对DataFrame的每一行或每一列应用groupby函数。

示例

>>> import maxframe.dataframe as md
>>> df = md.DataFrame(
...     {
...         "group": ["a", "a", "a", "a", "a", "b", "b", "b", "b", "b"],
...         "value": [2, 4, 2, 3, 5, 1, 2, 4, 1, 5],
...     }
... )
>>> df.execute()
  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.execute()
  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