Pandas & NumPy Academy · 课时

组内排名与百分位

Q: 「组内排名与百分位」课时是免费的吗？

是的 — 「组内排名与百分位」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。

Q: 「组内排名与百分位」这节课中我会学到什么？

使用 groupby().rank() 计算组内排名，并使用 pd.qcut 创建百分位分箱，以便进行相对比较。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

Q: 学习 Pandas & NumPy Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。

Q: 「组内排名与百分位」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

Q: 我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？

能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

使用 groupby().rank() 计算组内排名，并使用 pd.qcut 创建百分位分箱，以便进行相对比较。

组内排名与百分位 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。这是第 4 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。

为什么要在分组内排名？

原始值往往不如相对排名有意义。某位销售代表每月收入 50,000 美元时，如果平均值为 30,000 美元，他就是顶尖绩效者；但如果平均值为 80,000 美元，他的表现就较差。通过在分组内计算排名（例如在每个地区或每个季度内排名），您可以得到经过归一化的比较结果，从而考虑不同分组之间的基准差异。Pandas 通过 groupby().rank() 让分组内排名变得十分简单。

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'rep': ['Alice', 'Bob', 'Carol', 'Dave', 'Eve',
            'Frank', 'Grace', 'Hank', 'Iris', 'Jake'],
    'region': ['East']*5 + ['West']*5,
    'sales': np.random.randint(30000, 100000, 10)
})
print(df.sort_values('region'))

Series.rank() — 基本排名

Series.rank() 会为每个值分配排名：排名 1 是最小值，排名 n 是最大值。ascending=False参数会反转方向，使排名 1 成为最大值。结果是浮点 Series，而不是整数 Series，因为默认情况下会通过对并列排名取平均值来处理并列。对于包含 5 个值的列，排名范围为 1.0 到 5.0；如果存在并列，某些值可能会共享 2.5 这样的排名。

import pandas as pd

s = pd.Series([80, 45, 90, 45, 70])

print('Values:', s.values)
print('Rank (ascending=True, default):', s.rank().values)
print('Rank (ascending=False — best=1):', s.rank(ascending=False).values)
# Note: two 45s share ranks 1 and 2 → both get 1.5

rank() 中的并列处理方法

method参数控制如何处理并列值。可选项包括：'average'（默认值——并列值共享其排名的平均值）、'min'（所有并列值都获得最低排名）、'max'（所有并列值都获得最高排名）、'first'（按出现顺序排名——不产生并列）以及 'dense'（排名中没有间隔——1、2、3、3、4 会变为 1、2、3、3、4，而不是 1、2、3、3、5）。对于百分位式排名，'dense'方法最为实用。

import pandas as pd

s = pd.Series([80, 45, 90, 45, 70])

result = pd.DataFrame({
    'value': s,
    'average': s.rank(method='average'),
    'min': s.rank(method='min'),
    'max': s.rank(method='max'),
    'first': s.rank(method='first'),
    'dense': s.rank(method='dense')
})
print(result)

使用 groupby().rank() 在分组内排名

groupby('group_col')['value_col'].rank()会独立地在每个分组内计算排名。排名会在每个分组开始时重置——因此，东部地区表现最佳者在东部排名为 1，西部地区表现最佳者在西部也排名为 1。这正是 groupby 排名适合进行公平跨组比较的原因。

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'rep': list('ABCDEABCDE'),
    'region': ['East']*5 + ['West']*5,
    'sales': np.random.randint(30000, 100000, 10)
})

# Rank within each region (best = rank 1)
df['rank_in_region'] = df.groupby('region')['sales'].rank(ascending=False, method='min')
df_sorted = df.sort_values(['region', 'rank_in_region'])
print(df_sorted.to_string(index=False))

使用 rank(pct=True) 进行百分位排名

在 rank() 中设置 pct=True 会返回百分位排名：一个介于 0 和 1 之间的值，表示分组中小于或等于当前值的观测值所占的比例。百分位排名为 0.8 表示该值处于第 80 百分位——高于所有值中的 80%。这种归一化方式无需知道分组的实际大小，就能直接比较不同规模分组中的值。

import pandas as pd
import numpy as np

np.random.seed(0)
df = pd.DataFrame({
    'name': list('ABCDEFGHIJ'),
    'region': ['East']*5 + ['West']*5,
    'score': np.random.randint(50, 100, 10)
})

# Percentile rank within region
df['pct_rank'] = df.groupby('region')['score'].rank(pct=True)
df['percentile'] = (df['pct_rank'] * 100).round(0).astype(int)
print(df.sort_values(['region', 'percentile'], ascending=[True, False]).to_string(index=False))

pd.qcut：基于分位数的分箱

pd.qcut(series, q)会将值划分为 q 个等频箱，使每个箱大约包含相同数量的观测值。与使用等宽区间的 pd.cut 不同，pd.qcut 会根据数据分布调整区间边界。这非常适合创建四分位数（q=4）、五分位数（q=5）或十分位数（q=10）绩效层级。

import pandas as pd
import numpy as np

np.random.seed(42)
sales = pd.Series(np.random.exponential(scale=50000, size=100))

# Divide into quartiles
quartiles = pd.qcut(sales, q=4, labels=['Q1', 'Q2', 'Q3', 'Q4'])

result = pd.DataFrame({'sales': sales, 'quartile': quartiles})
print('Quartile counts (should be ~25 each):')
print(result['quartile'].value_counts().sort_index())
print('\nMean sales per quartile:')
print(result.groupby('quartile')['sales'].mean().round(0))

pd.cut 与 pd.qcut

pd.cut(series, bins=n)创建等宽区间（范围相同，数量不同）。pd.qcut(series, q=n)创建等频区间（数量相同，范围不同）。对于偏态数据，pd.cut会导致尾部的箱几乎为空，而 pd.qcut 会均匀分配观测值。当区间边界具有自然的业务含义（如价格范围、年龄组）时请选择 pd.cut；如果要创建大小相等的绩效层级，请选择 pd.qcut。

import pandas as pd
import numpy as np

np.random.seed(0)
# Right-skewed data
data = pd.Series(np.random.exponential(1, 100))

cut_result = pd.cut(data, bins=5).value_counts().sort_index()
qcut_result = pd.qcut(data, q=5).value_counts().sort_index()

print('Equal-width bins (pd.cut) — uneven counts:')
print(cut_result.to_string())
print('\nEqual-frequency bins (pd.qcut) — even counts:')
print(qcut_result.to_string())

使用 pd.qcut 创建十分位标签

pd.qcut(series, q=10, labels=range(1,11))会将每个观测值分配到其十分位数（1 到 10）。这是一种常见的标准技术，应用于营销分析（客户价值十分位）、信用评分（风险十分位）和 AB 测试（用于群组分析的流量十分位）。labels参数可以是与 q 长度相同的任意列表——使用 ['Bottom 10%', ..., 'Top 10%'] 这样的字符串可以让输出更易读。

import pandas as pd
import numpy as np

np.random.seed(7)
customer_value = pd.Series(np.random.exponential(500, 1000))

# Assign to deciles 1-10
decile_labels = [f'D{i}' for i in range(1, 11)]
customer_decile = pd.qcut(
    customer_value,
    q=10,
    labels=decile_labels
)

result = pd.DataFrame({'value': customer_value, 'decile': customer_decile})
print('Mean customer value per decile:')
print(result.groupby('decile')['value'].mean().round(0))

分组内的百分位分箱

将 groupby 与 pd.qcut 结合，并使用 transform，即可在每个分组内创建百分位箱。当您想在每个地区内对客户进行排名，而不是在全局范围内排名时，这种方法非常有用——某位客户可能处于全局十分位的底部，却处于其所在地区十分位的顶部。请使用 groupby('group')['value'].transform(lambda x: pd.qcut(x, q=4, labels=['Q1','Q2','Q3','Q4']))。

import pandas as pd
import numpy as np

np.random.seed(42)
df = pd.DataFrame({
    'customer': range(20),
    'region': ['North']*10 + ['South']*10,
    'spend': np.random.randint(100, 1000, 20)
})

# Quartile within each region
def quartile_label(x):
    return pd.qcut(x, q=4, labels=['Q1','Q2','Q3','Q4'])

df['region_quartile'] = df.groupby('region')['spend'].transform(quartile_label)
print(df.sort_values(['region', 'region_quartile']).to_string(index=False))

分组内的前 N 名

一个常见的业务问题是：“每个地区表现最好的 3 个人是谁？”请使用 groupby().rank()，然后按排名筛选：df[df['rank_col'] <= 3]。这种方法适用于任意分组大小，并能妥善处理并列：如果截止位置存在并列排名，它会保留超过 3 行。另一种方法是使用 groupby().nlargest(n)，它会直接返回每个分组中最大的 n 个值，而无需添加排名列。

import pandas as pd
import numpy as np

np.random.seed(0)
df = pd.DataFrame({
    'rep': [f'Rep_{i}' for i in range(15)],
    'region': ['East']*5 + ['West']*5 + ['North']*5,
    'revenue': np.random.randint(40000, 120000, 15)
})

df['region_rank'] = df.groupby('region')['revenue'].rank(ascending=False, method='min')

print('Top 2 per region:')
top2 = df[df['region_rank'] <= 2].sort_values(['region', 'region_rank'])
print(top2[['rep', 'region', 'revenue', 'region_rank']].to_string(index=False))

结合 Rank 和 Transform 进行归一化

您可以将 groupby().rank(pct=True) 与 transform 结合，在原始 DataFrame 中添加百分位排名列。与原始值相比，这个归一化列通常更适合作为模型特征——它与尺度无关，并且可以在分组之间进行比较。对于机器学习，百分位排名是标准化（z 分数）的一种简单替代方案，并且对异常值更加稳健。

import pandas as pd
import numpy as np

np.random.seed(1)
df = pd.DataFrame({
    'product': np.random.choice(['A', 'B', 'C'], 30),
    'score': np.random.randint(50, 100, 30)
})

# Percentile rank within each product group
df['global_pct'] = df['score'].rank(pct=True).round(3)
df['group_pct'] = df.groupby('product')['score'].rank(pct=True).round(3)

print(df.sort_values(['product', 'score']).head(12).to_string(index=False))

快速检查

请检验您对本课所学排名和百分位操作的理解。

课程回顾

本课中您学到了：Series.rank()可以使用可配置的并列处理方式计算数值排名；groupby().rank()会在每个分组内重置排名，以便进行公平的跨组比较；pct=True会将排名转换为百分位（0 到 1）；pd.qcut会创建等频箱，用于分配四分位、十分位和百分位层级。接下来，我们将探索 Pandas 性能优化技巧——性能分析、避免缓慢循环以及使用高效的数据类型。

常见问题解答