如何基于两列分组去重，为col2生成col1组内统一排名列

现有如下DataFrame：

import pandas as pd

df = pd.DataFrame({'col1': ['A', 'A', 'A', 'A', 'B', 'C', 'C'],
                   'col2': ['a1', 'a1', 'a2', 'a2', 'b1', 'c1', 'c2']})
print(df)

输出：

col1 col2
0    A   a1
1    A   a1
2    A   a2
3    A   a2
4    B   b1
5    C   c1
6    C   c2

需求：新增一列col3，用于标识col2在每个col1分组内的排名，同一col1分组中相同的col2值需对应相同的排名。

尝试了以下三段代码，均未得到正确结果：

df['col3_1'] = df.groupby(['col1', 'col2']).cumcount() + 1
df['col3_2'] = df.groupby(['col1'])['col2'].cumcount() + 1
df['col3_3'] = df.groupby(['col1', 'col2']).ngroup() + 1

print(df)

输出：

col1 col2  col3_1  col3_2  col3_3
0    A   a1       1       1       1
1    A   a1       2       2       1
2    A   a2       1       3       2
3    A   a2       2       4       2
4    B   b1       1       1       3
5    C   c1       1       1       4
6    C   c2       1       2       5

注：col2的实际值无固定格式规律。

预期输出：

col1 col2  col3
0    A   a1     1
1    A   a1     1
2    A   a2     2
3    A   a2     2
4    B   b1     1
5    C   c1     1
6    C   c2     2

方法1：使用groupby + rank(method='dense') #

rank方法的method='dense'参数会生成连续的排名，相同值获得相同排名且排名不会跳过数字，正好匹配需求：

df['col3'] = df.groupby('col1')['col2'].rank(method='dense', ascending=True).astype(int)

方法2：使用factorize结合transform #

factorize会将分组内的唯一值映射为连续整数（从0开始），通过transform将映射结果应用到原DataFrame每一行，最后加1调整为从1开始的排名：

df['col3'] = df.groupby('col1')['col2'].transform(lambda x: pd.factorize(x)[0] + 1)

原代码错误原因说明 #

• col3_1：按col1+col2分组后用cumcount，是统计每个子分组内的行序号，同一col2值会生成递增数字，不符合“相同值同排名”要求
• col3_2：按col1分组后对col2用cumcount，是统计分组内每行的顺序号，不管值是否重复，因此逐个递增
• col3_3：ngroup是给全局所有col1+col2组合分配唯一编号，不是分组内的排名，编号会跨分组连续递增

运行上述任一正确方法后，均可得到预期输出。

内容的提问来源于stack exchange，提问作者VERBOSE