Pandas中基于多列条件进行排名及处理并列情况的教程

本教程详细介绍了如何在pandas dataframe中实现多级条件排名，特别是当主排名列存在并列情况时，如何利用次要列和第三列作为破平器。通过构建一个加权复合分数，并结合`rank`函数的`method='dense'`参数，我们能够精确地为数据行分配排名，有效解决复杂的排名逻辑需求，确保排名结果的准确性和一致性。

Pandas DataFrame多级条件排名与并列处理

在数据分析中，我们经常需要对数据进行排名。然而，简单的单列排名往往无法满足复杂的需求，特别是在存在并列值时，我们可能需要依据其他列作为“破平器”来进一步区分排名。本教程将深入探讨如何在Pandas DataFrame中实现这种多级条件排名逻辑。

问题场景描述

假设我们有一个包含多个分数（例如DScore, EScore, Total Score）的DataFrame，我们希望根据'Total Score'列对数据进行排名。但如果'Total Score'值相同，则需要参考'EScore'进行排名；如果'EScore'也相同，则进一步参考'DScore'。只有当所有指定列的值都相同时，这些行才会被赋予相同的排名。

以下是我们的原始DataFrame示例：

import pandas as pd

df = pd.DataFrame({
    "DScore": [2, 2, 3, 4, 5],
    "EScore": [6, 7, 9, 9, 10],
    "Total Score": [17, 15, 15, 23, 25]
})

print("原始DataFrame:")
print(df)

期望的排名结果如下（注意索引1和2的Total Score均为15，但EScore不同，因此排名不同；索引2和3的Total Score均为23，EScore均为9，但DScore不同，因此排名不同）：

   DScore  EScore  Total Score  Rank
0       2       6           17     3
1       2       7           15     4
2       4       9           23     2
3       4       9           23     2
4       5      10           25     1

注：上述期望结果与原始问题略有差异，已根据问题描述的逻辑进行了修正，以更好地体现多级破平器的作用。例如，如果DScore: [2, 2, 4, 4, 5], EScore: [6, 7, 9, 9, 10], Total Score: [17, 15, 23, 23, 25]，那么索引2和3的Total Score和EScore都相同，此时需要DScore来破平。如果DScore也相同，则它们才获得相同的排名。

解决方案：加权复合分数法

解决此类问题的有效方法是创建一个“复合分数”列。这个复合分数是通过将主排名列与次要排名列（破平器）进行加权求和得到的。关键在于为破平器列分配足够小的权重，以确保它们只在主排名列的值完全相同时才发挥作用。

步骤1：确定排名优先级和权重

1. 主排名列： 'Total Score' (权重最高)
2. 第一破平器： 'EScore' (权重次之)
3. 第二破平器： 'DScore' (权重最低)

为了使破平器仅在主分数相同的情况下生效，我们需要将破平器的权重设置得足够小，使其加到主分数上时，不会改变主分数不同时的相对大小关系。例如，如果主分数相差1，那么破平器的最大可能加权值必须小于1。

步骤2：计算加权复合分数

Weights.gg

多功能的AI在线创作与交流平台

3352

查看详情

我们将'EScore'乘以一个较小的系数（如0.01），将'DScore'乘以一个更小的系数（如0.0001），然后将这些加权值添加到'Total Score'上。

# 原始DataFrame
df = pd.DataFrame({
    "DScore": [2, 2, 4, 4, 5], # 修正DScore以更好地演示破平
    "EScore": [6, 7, 9, 9, 10],
    "Total Score": [17, 15, 23, 23, 25]
})

# 计算加权复合分数
# Total Score 是主排名依据，EScore 是第一破平器，DScore 是第二破平器
# 权重选择：确保EScore的加权值不足以影响Total Score的整数差异
# 确保DScore的加权值不足以影响EScore的加权值差异
df['Composite Score'] = df['Total Score'] + \
                        df['EScore'].mul(0.01) + \
                        df['DScore'].mul(0.0001)

print("\n带有复合分数的DataFrame:")
print(df)

步骤3：使用rank()函数进行排名

有了复合分数后，我们就可以直接对这个复合分数列使用Pandas的rank()函数进行排名。

• ascending=False: 表示分数越高，排名越靠前（即排名值越小）。
• method='dense': 这个参数非常重要。它确保了在并列情况下，所有并列项获得相同的排名，并且下一个非并列项的排名是紧接着的整数（例如，1, 2, 2, 3, 4，而不是1, 2, 2, 4, 5）。
• .astype('int'): 将浮点型的排名结果转换为整数，使之更简洁。

df['Rank'] = df['Composite Score'].rank(ascending=False, method='dense').astype('int')

print("\n最终排名结果DataFrame:")
print(df.drop(columns=['Composite Score'])) # 移除辅助的复合分数列

完整代码示例：

import pandas as pd

# 原始DataFrame
df = pd.DataFrame({
    "DScore": [2, 2, 4, 4, 5],
    "EScore": [6, 7, 9, 9, 10],
    "Total Score": [17, 15, 23, 23, 25]
})

print("原始DataFrame:")
print(df)

# 计算加权复合分数
# 权重选择：0.01 和 0.0001 是示例值，需要根据实际数据范围进行调整
# 目标是确保加权值不会影响更高优先级列的整数差异
df['Composite Score'] = df['Total Score'].add(df['EScore'].mul(0.01)).add(df['DScore'].mul(0.0001))

# 基于复合分数进行排名
df['Rank'] = df['Composite Score'].rank(ascending=False, method='dense').astype('int')

# 打印最终结果，并删除辅助的复合分数列
print("\n最终排名结果DataFrame:")
print(df.drop(columns=['Composite Score']))

输出结果：

原始DataFrame:
   DScore  EScore  Total Score
0       2       6           17
1       2       7           15
2       4       9           23
3       4       9           23
4       5      10           25

最终排名结果DataFrame:
   DScore  EScore  Total Score  Rank
0       2       6           17     3
1       2       7           15     4
2       4       9           23     2
3       4       9           23     2
4       5      10           25     1

从结果可以看出，索引2和3的Total Score和EScore都相同（23和9），但DScore不同（4和4），因此它们获得了相同的排名2。这与我们的预期相符，因为当所有破平器都相同，它们才被视为真正的并列。

注意事项与最佳实践

1. 权重选择： 示例中的0.01和0.0001是基于假设分数是整数且差异至少为1的情况。在实际应用中，您需要根据数据的具体范围和精度来调整这些权重。
   • 原则： 破平器的最大可能加权值（即破平器列的最大值乘以其权重）必须小于其上一级排名列的最小可能差异。
   • 例如，如果Total Score的最小差异是1，那么EScore的最大值乘以其权重必须小于1。如果EScore的最大值是100，那么其权重应小于0.01。
   • 同样，DScore的最大值乘以其权重，必须小于EScore的最小差异乘以EScore的权重。
2. method='dense'的重要性： 在需要连续排名的场景中，dense方法是理想选择，它避免了排名中的空缺。如果需要其他并列处理方式（如平均排名、最小排名等），可以查阅rank()函数的其他method参数选项。
3. 性能考虑： 对于非常大的数据集，创建额外的辅助列会增加内存消耗。然而，对于大多数常见的数据集大小，这种方法的性能是可接受的。
4. 可读性： 这种方法通过显式创建复合分数，使得排名逻辑非常清晰和易于理解。

总结

通过创建加权复合分数，并结合Pandas rank()函数的强大功能，我们可以优雅地解决DataFrame中基于多列条件进行排名和处理并列情况的复杂需求。这种方法不仅灵活，而且易于理解和实现，是数据分析师处理复杂排名问题的有力工具。理解权重的选择原则是成功应用此方法的关键。

以上就是Pandas中基于多列条件进行排名及处理并列情况的教程的详细内容，更多请关注php中文网其它相关文章！