Pandas：按组为唯一值按首次出现顺序分配序号的问题

问题重现 #

原始DataFrame：

import pandas as pd
df = pd.DataFrame({
'ID':['27637', '27637', '27637', '27637', '89283', '89283', '89283', '89283'],
'Country':['UK', 'Poland', 'Poland', 'Poland', 'China', 'China', 'India', 'India']})

执行以下代码添加排名列后：

df['Dense_Rank'] = df.groupby('ID')['Country'].rank(method='dense')

发现ID=27637的分组中，UK首次出现却被标记为2.0，Poland被标记为1.0，不符合预期；而ID=89283的分组结果正常。预期结果如下：

原因分析 #

rank(method='dense')默认按字符串字母顺序对分组内的Country排序后分配排名。在ID=27637的分组中，"Poland"首字母P在"UK"的U之前，所以排名为1；ID=89283的分组中"China"的C在"India"的I之前，结果符合预期。但你需要的是按元素首次出现顺序生成排名。

解决方案 #

方法1：使用groupby+factorize #

factorize会按元素首次出现的顺序生成编码，加1后即可得到符合要求的稠密排名：

df['Expected_Result'] = df.groupby('ID')['Country'].transform(lambda x: pd.factorize(x)[0] + 1)

执行后结果完全符合预期：

ID Country  Dense_Rank  Expected_Result
0  27637      UK         2.0              1.0
1  27637   Poland        1.0              2.0
2  27637   Poland        1.0              2.0
3  27637   Poland        1.0              2.0
4  89283   China        1.0              1.0
5  89283   China        1.0              1.0
6  89283   India        2.0              2.0
7  89283   India        2.0              2.0

方法2：利用rank的key参数 #

指定按首次出现顺序作为排序依据：

df['Expected_Result'] = df.groupby('ID')['Country'].rank(method='dense', key=lambda x: x.factorize()[0])

内容的提问来源于stack exchange，提问作者the_tc