Asignar rangos a los valores

La clasificación asigna a cada valor de una Series una posición según su magnitud relativa: el rango 1 corresponde al valor más pequeño y el rango n al más grande (o al contrario). A diferencia de la ordenación, que reordena las filas, rank() añade una nueva columna de posiciones ordinales junto a los datos originales. Las clasificaciones se utilizan en tablas de posiciones, en el cálculo de percentiles y en determinadas pruebas estadísticas que requieren una posición ordinal en lugar de valores absolutos.

De forma predeterminada, rank() asigna el rango 1 al valor más pequeño (orden ascendente). Para asignar el rango 1 al valor más grande (por ejemplo, el primer puesto en una competición), pase ascending=False. Esto refleja la convención de que «el primer puesto corresponde a la puntuación más alta», utilizada en deportes, tablas de posiciones y clasificaciones de ventas.

Cuando varias filas tienen el mismo valor (un empate), el parámetro method determina cómo se asignan los rangos. Las opciones son: 'average' (predeterminada: las filas empatadas comparten el rango promedio), 'min' (todas las filas empatadas reciben el rango más bajo), 'max' (todas reciben el más alto), 'first' (la fila que aparece primero recibe el rango más bajo) y 'dense' (no hay saltos en los números de rango después de un empate).

El método 'dense' resulta especialmente útil cuando desea una clasificación sin saltos. Con 'min', dos entradas empatadas en el 2.º puesto hacen que el siguiente rango sea el 4 (se omite el 3). Con 'dense', el siguiente rango siempre es el 3, lo que mantiene una secuencia continua. La clasificación densa es el método estándar de la función de ventana DENSE_RANK() de SQL y se utiliza habitualmente en tablas de posiciones.

Establecer pct=True en rank() normaliza los rangos al intervalo [0, 1] y proporciona una clasificación percentil. Un valor con una clasificación percentil de 0.8 indica que es superior al 80 % de los valores de la columna. Esto se utiliza en finanzas (rendimiento percentil), evaluación de calificaciones (percentiles de puntuación) y detección de valores atípicos.

Para calcular rangos dentro de cada grupo de forma independiente (por ejemplo, el rango salarial de cada departamento), combine groupby() con rank(). Utilice groupby().rank(), que aplica la función de clasificación grupo por grupo y devuelve una Series alineada con el índice del DataFrame original, perfecta para añadir una columna de «rango dentro del grupo».

pd.cut(series, bins) divide una columna numérica continua en intervalos de igual amplitud (bins) y asigna cada valor a su intervalo. Esto convierte una variable continua en una categórica, lo que resulta útil para histogramas, grupos de edad, tramos de ingresos o cualquier tarea de discretización. El resultado es una Series categórica con etiquetas de intervalo.

pd.qcut(series, q) divide los valores en intervalos basados en cuantiles, de modo que cada intervalo contiene aproximadamente el mismo número de observaciones. A diferencia de pd.cut() (igual amplitud), pd.qcut() produce grupos del mismo tamaño, lo que resulta útil para segmentaciones basadas en percentiles, como puntuaciones por deciles, divisiones por quintiles o agrupaciones por cuartiles.

Utilice pd.cut() cuando sus intervalos tengan un significado natural en el dominio (por ejemplo, grupos de edad de 0-18, 18-35 y 35-60): la amplitud de los intervalos tiene importancia semántica. Utilice pd.qcut() cuando desee grupos del mismo tamaño, independientemente de dónde queden los límites; por ejemplo, para dividir a los clientes en cuartiles superior e inferior. Una distribución sesgada producirá grupos muy desiguales con cut(), pero grupos iguales con qcut().

Un patrón claro para generar una tabla de resultados clasificados es: ordenar de forma descendente, restablecer el índice empezando en 0, sumar 1 para obtener una clasificación legible para las personas y mostrarla junto a los datos originales. Así se obtiene una tabla de posiciones lista para presentar, sin saltos y con números de rango claros.

Las características transformadas mediante rangos son útiles en el aprendizaje automático porque son resistentes a los valores atípicos: un valor muy grande o muy pequeño recibe un rango cercano a uno de los extremos, en lugar de sesgar la distribución de la característica. La transformación por rangos se utiliza a veces como paso de preprocesamiento antes de modelos basados en árboles o cuando la escala numérica no es significativa, pero sí lo es el orden relativo.

Compruebe su comprensión de la clasificación de valores en Pandas.

En esta lección ha aprendido que rank() asigna posiciones ordinales a los valores, que method='dense' evita los saltos después de los empates, que pct=True proporciona rangos percentiles en [0,1] y que groupby().rank() calcula rangos dentro de cada grupo. Utilice pd.cut() para intervalos de igual amplitud y pd.qcut() para intervalos de igual frecuencia al discretizar variables continuas. A continuación, estableceremos y restableceremos el índice del DataFrame.