Rank也就是所说的”排名“，是指对数组从1到有效数据点总数分配名次的操作。 默认情况下，rank通过将平均排名分配到每个组来打破平级关系：

运行结果： 0 7 1 -5 2 7 3 4 4 2 5 0 6 4 dtype: int64

运行结果： 0 6.5 1 1.0 2 6.5 3 4.5 4 3.0 5 2.0 6 4.5 dtype: float64

运行结果分析：

根据上面的表格可以看出，索引0对应的元素排名为6，但是使用rank()会对排名求平均值，也就是说有N歌相同的元素，排名会相加并除以N,所以说索引0对应的元素最终排名为6.5；索引1对应的元素排名为1，所以它对应的排名值为1.0，以此类推得出上述运行结果。

这个函数其中传入了一个参数‘first’，作用是按照值在数据中出现的次序分配排名。

运行结果： 0 6.0 1 1.0 2 7.0 3 4.0 4 3.0 5 2.0 6 5.0 dtype: float64

运行结果分析：

结合上面的表格，我们拿索引为0的元素举例说明，可以看出索引0的排名为6，但是注意，当传入‘first’是就意味着不会对排名进行平均取值，所以即使有相同的元素，也会按照谁先出现就把谁排在前面（是不是有点像上学期间考试的成绩排名？按姓名字母排序，即使你俩分数一样）所以它对应的值为6.0，以此类推，在这里不再赘述。

这里method的参数变为了 max，意味着对整个组使用最大排名。

运行结果： 0 7.0 1 1.0 2 7.0 3 5.0 4 3.0 5 2.0 6 5.0 dtype: float64

运行结果分析：

以索引为0的元素为例，它对应的元素是7，排名为6，但是它有一个和它一样的元素，排名为7，所以这里取最大的排名，也就是7，所以运行结果中索引为0对应的值为7.0，剩下的元素同理，这里不再赘述。

min 的意思为对整个组使用最小排名。

运行结果： 0 6.0 1 1.0 2 6.0 3 4.0 4 3.0 5 2.0 6 4.0 dtype: float64

运行结果分析：

还是以索引为0的元素为例，它对应的值为7，排名为6，即使后面有和它值相同的元素，排名取它们其中最小的那个，所以运行结果中索引为0对应的值为6，其余元素以此类推，这里不再赘述。

这个函数相较于上面的函数，多传入了一个ascending，它的意思是”升序“的意思，这里取值为 False，意为对元素进行降序排序；而且method的值取为 max，与上面的max作用相同。

运行结果： 0 2.0 1 7.0 2 2.0 3 4.0 4 5.0 5 6.0 6 4.0 dtype: float64

运行结果分析：

可以看出，与上面的表格相比，最大的变化是元素进行了降序排序，所以名次也发生了变化。我还是拿索引为0的元素拿来举例（因为它太有代表性了，所以我总是用它来说明），它现在对应的排名为6，但是这里method取的值为max，所以当有相同的元素时，取排名最大的那个，所以它的值为2.0，剩下的元素也是一样，这里不再赘述。

这个函数相较于上面的函数，method的值变为了min,与上面的min作用相同。

运行结果： 0 1.0 1 7.0 2 1.0 3 3.0 4 5.0 5 6.0 6 3.0 dtype: float64

运行结果分析：

索引值为0的元素对应的排名为1，即使后面有相同的元素，取它们之中最小的排名，所以它对应的值为1.0，其余元素排名以此类推，这里不再赘述。

它会对DataFrame的0轴进行排名（不了解轴的可以去看一下Numpy中ndarray的解释），可以把DataFrame理解为一个二维数组，对0轴排名也就是按着纵向排名 我们先初始化一个DataFrame

运行结果：

运行结果： 运行结果分析： 先对columns='b’的数据进行排名，然后对columns='a’排名，最后对column='c’进行排名，排名规则与上面的Series规则一致，这里不再赘述。

这里传入了一个参数 axis，它的意思是"轴"的意思，上面的那个如果括号里不加，默认是对0轴进行排名（等价于axis=0）,这个参数传入的值 columns 意为对‘b’,‘a’,'c’这几个列进行排名（横向排名）。

运行结果： 运行结果分析： 先对index=0这一行进行排名，其次对index=2排名，最后对index=3进行排名，排名规则也是和上面的一样。

《利用Python进行数据分析》