pandas排名函数的使用
在Pandas中，可以使用rank()函数来进行排名操作。
rank()函数可以用于为数据帧中的元素分配排名，并提供不同的排名策略，例如从小到大排名、从大到小排名等。
使用上面的一组模拟数据，介绍rank方法的使用。 其中参数method:
average: 组内的平均排名；
min: 最小排名方式；
max: 最大排名方式；
first: 根据出现顺序分配排名，首次出现的元素排名较高；
dense: 据出现顺序分配排名，但没有间隔。
默认情况下，rank()函数是按升序排名的，你可以通过设置ascending=False参数来改为降序排名。
一、模拟数据
import pandas as pd
df = pd.DataFrame(data={'score': [100, 99, 99, 96, 95, 90, 90, 90, 90, 86]})
df
score
0 100
1 99
2 99
3 96
4 95
5 90
6 90
7 90
8 90
9 86
二、排名方式
2.1 默认方式（"average"）
相同值的元素将被分配平均排名。例如，如果有n个元素并列，那么它们的排名将是：并列首行所在的行数+0.5*(n-1)。
df1 = df.copy()
df1['rank'] = df1['score'].rank(method='average', ascending=False)
2.2 最小排名方式（"min"）
类似SQL中 rank。
相同值的元素将被分配最低排名。例如，如果有n个元素并列，那么它们的排名将都是并列的第1行数据所在的行数。
df2 = df.copy()
df2['rank'] = df1['score'].rank(method='min', ascending=False)
2.3 最大排名方式（"max"）
相同值的元素将被分配最高排名。例如，如果有n个元素并列，那么它们的排名将都是最后一个元素所在的行数。
df3 = df.copy()
df3['rank'] = df3['score'].rank(method='max', ascending=False)
2.4 连续编号不重复（"first"）
类似SQL中 row_number。
根据出现顺序分配排名，首次出现的元素排名较高。排名等于行所在的行数。
df4 = df.copy()
df4['rank'] = df4['score'].rank(method='first', ascending=False)
2.5 密集排名方式（"dense"）
类似SQL中 dense_rank。
根据出现顺序分配排名，但没有间隔。例如，如果有两个元素排名为1，下一个排名将为2，而不是3。
df5 = df.copy()
df5['rank'] = df5['score'].rank(method='dense', ascending=False)