1. 首页
  2. Pandas

pandas 实现 sql 中的row_number,dense_rank,rank

rank函数的使用,可以和SQL中的窗口函数进行类比:

  • row_number:顺序排名,rank函数的中的method=first
  • rank:跳跃排名,rank函数的中的method=min
  • dense_rank:密集排名,rank函数的中的method=dense

1d5568d66f0a4737b7a4f2842ea03767tplv-k3u1fbpfcp-zoom-in-crop-mark3024000.awebp_

最后附上rank函数的官网学习地址,还得多看官网:

  1. data
df=pd.DataFrame({'Year':[2012,2013,2013,2014],'Value':[10,20,25,30]})

---------------------------------
df

   Value  Year
0     10  2012
1     20  2013
2     25  2013
3     30  2014

2.实现row_number的排名

df['sort_num']=df['Year'].rank(ascending=0,method='first').astype(int)--ascending 正序-1,逆序-0
df

   Value  Year  sort_num
0     10  2012         4
1     20  2013         2
2     25  2013         3
3     30  2014         1

3.实现 rank 的排名

df['sort_num']=df['Year'].rank(ascending=0,method='min')

df
   Value  Year  sort_num
0     10  2012         4
1     20  2013         2
2     25  2013         2
3     30  2014         1

4.实现dense_rank的排名

%timeit df['sort_num']=df['Year'].rank(ascending=1,method='dense')--rank 的方法
%timeit df['sort_num'] = df.Year.astype('category').cat.codes + 1--category类型的特性(默认正序)
%timeit df['sort_num'] = pd.factorize(df.Year)[0] + 1--变成因子(默认正序)
3个方法 执行时间上还是会有小差异的,数据量小,不做示范
---------------------
df
   Value  Year  sort_num
0     10  2012       3.0
1     20  2013       2.0
2     25  2013       2.0
3     30  2014       1.0
这块没有什么好说的,无非就是 groupby 之后 加上各种rank
例子:
df['sort_num']=df.groupby['Year'].Value.rank(ascending=1,method='dense')
----------------------------
df
   Value  Year  sort_num
0     10  2012       1.0
1     20  2013       1.0
2     25  2013       2.0
3     30  2014       1.0

总结

讲解完rank函数的使用,可以和SQL中的窗口函数进行类比:

  • row_number:顺序排名,rank函数的中的method=first
  • rank:跳跃排名,rank函数的中的method=min
  • dense_rank:密集排名,rank函数的中的method=dense

1d5568d66f0a4737b7a4f2842ea03767tplv-k3u1fbpfcp-zoom-in-crop-mark3024000.awebp_

最后附上rank函数的官网学习地址,还得多看官网:

pandas.pydata.org/docs/refere…

发表评论

登录后才能评论

评论列表(1条)