本文简单的说一下自己对pandas的rank()函数的简单讲解。
函数原型：rank(axis=0, method: str = 'average', numeric_only: Union[bool, NoneType] = None, na_option: str = 'keep', ascending: bool = True, pct: bool = False)
官方文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.rank.html
《使用python进行数据分析》一书中的解释为：rank是通过“为各组分配一个平均排名”的方式破坏平级关系的。pandas排名会增加一个排名值（从1开始，一直到数组中有效数据的数量）。但是还是不好理解，我简单的做了一个图片来说明。
假设创建了一个Series对象obj = Series([7, -5, 7, 4, 2, 0, 4])，就是上图中”索引“和”值“这两列，我们人为的按照值的大小进行了一个排名，并且产生了一个序列（”人为的排名“）这一列，关于有两个索引（0和2）的值都是7的这种情况的排名的规则是，首先出现的值排名靠前。
下面就来说一下method参数的作用。
若为”average“，不相同的值，排名就取”人为的排名“的排名值，相同值的，排名需要求平均值，例如：索引0和2的值都为7，则平均值为(7+6)/2=6.5；
若为”min“，不相同的值，排名就取”人为的排名“的排名值，相同值的，排名取最小值，例如：索引0和2的值都为7，则排名都取6；
若为”max“，不相同的值，排名就取”人为的排名“的排名值，相同值的，排名取最大值，例如：索引0和2的值都为7，则排名都取7；
若为”first“，则就取”人为的排名“这列的值。
method
说明
‘average’
默认，在相等分组中，为各个值分配平均排名
‘min’
使用整个分组的最小排名
‘max’
使用整个分组的最大排名
‘first’
按值在原始数据中出现顺序分配排名
关于”first“参数值的解释”值在原始数据中出现顺序“的解释如下：从1开始排序，若序列中出现了相同的值，则首先出现的值排名靠前。
下面进行测试：
（1）method='average'
1 >>> obj
2 0 7
3 1 -5
4 2 7
5 3 4
6 4 2
7 5 0
8 6 4
9 dtype: int64
10 >>> obj.rank( method='average')
11 0 6.5
12 1 1.0
13 2 6.5
14 3 4.5
15 4 3.0
16 5 2.0
17 6 4.5
18 dtype: float64
（2）method='min'
1 >>> obj
2 0 7
3 1 -5
4 2 7
5 3 4
6 4 2
7 5 0
8 6 4
9 dtype: int64
10 >>> obj.rank( method='average')
11 0 6.5
12 1 1.0
13 2 6.5
14 3 4.5
15 4 3.0
16 5 2.0
17 6 4.5
18 dtype: float64
（3）method='max'
1 >>> obj
2 0 7
3 1 -5
4 2 7
5 3 4
6 4 2
7 5 0
8 6 4
9 dtype: int64
10 >>> obj.rank( method='max')
11 0 7.0
12 1 1.0
13 2 7.0
14 3 5.0
15 4 3.0
16 5 2.0
17 6 5.0
18 dtype: float64
（4）method='first'
1 >>> obj
2 0 7
3 1 -5
4 2 7
5 3 4
6 4 2
7 5 0
8 6 4
9 dtype: int64
10 >>> obj.rank( method='first')
11 0 6.0
12 1 1.0
13 2 7.0
14 3 4.0
15 4 3.0
16 5 2.0
17 6 5.0
18 dtype: float64