Classificando valores

Classificação atribui a cada valor de uma Series uma posição com base em sua magnitude relativa — classificação 1 para o menor valor e classificação n para o maior (ou vice-versa). Diferentemente da ordenação (que reordena as linhas), rank() adiciona uma nova coluna de posições ordinais junto aos dados originais. As classificações são usadas em tabelas de classificação, no cálculo de percentis e em determinados testes estatísticos que exigem a posição ordinal em vez dos valores absolutos.

Por padrão, rank() atribui a classificação 1 ao valor menor (ordem crescente). Para atribuir a classificação 1 ao maior valor (por exemplo, o primeiro lugar em uma competição), passe ascending=False. Isso segue a convenção de “primeiro lugar = maior pontuação” usada em esportes, tabelas de classificação e classificações de vendas.

Quando várias linhas têm o mesmo valor (um empate), o parâmetro method decide como as classificações são atribuídas. As opções são: 'average' (padrão — as linhas empatadas compartilham a classificação média), 'min' (todas as linhas empatadas recebem a menor classificação), 'max' (todas recebem a maior), 'first' (a linha que aparece primeiro recebe a menor classificação) e 'dense' (não há lacunas nos números de classificação após um empate).

O método 'dense' é especialmente útil quando você deseja uma classificação sem lacunas. Com 'min', duas entradas empatadas em 2º lugar fazem com que a próxima classificação seja 4 (pulando a 3). Com 'dense', a próxima classificação é sempre 3, mantendo uma sequência contínua. A classificação densa é o padrão na função de janela DENSE_RANK() do SQL e é usada com frequência em tabelas de classificação.

Definir pct=True em rank() normaliza as classificações para o intervalo [0, 1], fornecendo uma classificação por percentil. Um valor com classificação por percentil 0.8 significa que ele é maior que 80% dos valores da coluna. Isso é usado em finanças (desempenho por percentil), avaliação (percentis de pontuação) e detecção de valores atípicos.

Para calcular classificações dentro de cada grupo de forma independente (por exemplo, a classificação salarial de cada departamento), combine groupby() com rank(). Use groupby().rank(), que aplica a função de classificação grupo a grupo e retorna uma Series alinhada ao índice do DataFrame original — perfeita para adicionar uma coluna de “classificação dentro do grupo”.

pd.cut(series, bins) divide uma coluna numérica contínua em intervalos de mesma largura (faixas) e atribui cada valor à sua faixa. Isso converte uma variável contínua em uma variável categórica, sendo útil para histogramas, grupos etários, faixas de renda ou qualquer tarefa de discretização. O resultado é uma Series categórica com rótulos de intervalo.

pd.qcut(series, q) divide os valores em faixas baseadas em quantis, nas quais cada faixa contém aproximadamente o mesmo número de observações. Diferentemente de pd.cut() (mesma largura), pd.qcut() produz grupos do mesmo tamanho — útil para segmentação baseada em percentis, como classificações em decis, divisões em quintis ou agrupamentos em quartis.

Use pd.cut() quando suas faixas tiverem um significado natural no domínio (por exemplo, faixas etárias de 0–18, 18–35 e 35–60) — a largura das faixas tem importância semântica. Use pd.qcut() quando quiser grupos do mesmo tamanho, independentemente de onde estejam os limites — por exemplo, dividindo clientes nos quartis superior e inferior. Uma distribuição assimétrica produzirá grupos muito desiguais com cut(), mas grupos iguais com qcut().

Um padrão simples para produzir uma tabela de resultados classificados é: ordenar de forma decrescente, redefinir o índice começando em 0, somar 1 para obter uma classificação legível começando em 1 e exibir o resultado junto aos dados originais. Isso produz uma tabela de classificação pronta para apresentação, sem lacunas e com números de classificação limpos.

Recursos transformados por classificação são úteis no aprendizado de máquina porque são robustos a valores atípicos — um valor muito grande ou muito pequeno recebe uma classificação próxima de um dos extremos, em vez de distorcer a distribuição do recurso. A transformação por classificação às vezes é usada como etapa de pré-processamento antes de modelos baseados em árvores ou quando a escala numérica não é significativa, mas a ordenação relativa é.

Teste sua compreensão sobre a classificação de valores no Pandas.

Nesta lição, você aprendeu que rank() atribui posições ordinais aos valores, method='dense' evita lacunas após empates, pct=True fornece classificações por percentil em [0,1] e groupby().rank() calcula classificações dentro de grupos. Use pd.cut() para faixas de mesma largura e pd.qcut() para faixas com a mesma frequência ao discretizar variáveis contínuas. A seguir, vamos definir e redefinir o índice do DataFrame.