“ 用過sql中的row_number函數，習慣了他的方便，那麼在pandas處理數據時，有沒有類似的函數用來排序呢，當然也有，比如rank函數。”
rank(axis=0, method='average', numeric_only=None,
na_option='keep', ascending=True, pct=False)
默認情況下：axis=0表示按索引排序；ascending=True排序按升序排列；pct=False表示不輸出百分比；na_option='keep'表示空值不做處理。
下面將通過數據來學習下rank函數下各參數作用：
01 method：你想怎麼排
更改參數method的可選項，其他默認參數不更改：
first：表示按數值大小排列，如果數值相同時，按出現先後排序。如1,2,3,4,5,...，類似SQL中的row_number函數；
min：表示按數值大小排列，如果數值相同時，序號相同，但後面的序號仍按數值數目順延，如1,2,2,4,5,...，類似SQL中的rank函數；
dense：表示按數值大小排列，如果數值相同時，序號相同，同時後面的序號不受影響，如1,2,2,3,4,...，類似SQL中的dense_rank函數；
data['first']=data['數量'].rank(method='first' )
data['min']=data['數量'].rank(method='min' )
data['dense']=data['數量'].rank(method='dense')結果如下：
另外兩個可選項，method='max'時，相同的數值，按最大的序號輸出。可以理解成，在first排序結果的基礎上，數值相同時，兩個數值都按最大序號輸出；而method='average'時，兩個數值按對應序號的均值輸出。
02 ascending：誰小誰有理？
上面介紹method我們默認是升序排列，那麼如果數量表示銷售完成的訂單數時，當然是完成的多的才要排前面，所以，ascending=False時，降序排列。
data['降序']=data['數量'].rank(method='min',ascending=False) 
03 na_option：別把數據算丟了！
默認情況下，na_option='keep'，空值未被考慮在內，那麼，如果數量表示客服投訴數量時，數量為空的應該是排名最好的。因此，當na_option='top'，表示空值排最前，na_option='bottom'，表示空值排最後。
data['top']=data['數量'].rank(method='min',na_option='top')
data['bottom']=data['數量'].rank(method='min',na_option='bottom')
04 pct：算算分布？
pct默認=False,想輸出數值所占的分布情況時，pct=True即可。
data['pct']=data['數量'].rank(method='min',pct=True)結果如下：
備注：以上內容，僅用於學習筆記~
