Numpy是否有类似Pandas rank的函数？如何实现数组百分位排名

核心结论 #

Numpy没有直接对应Pandas rank(pct=True)的内置函数，但可以通过组合Numpy的基础函数实现完全等价的功能，且运行效率更高，适合循环场景。

Pandas rank(pct=True)的逻辑 #

默认采用average排名规则：

• 对数组排序后，相同值的元素取它们的平均排名（1-based）
• 将排名值除以数组总长度，得到0到1之间的百分位排名

纯Numpy实现代码 #

以下代码与你提供的Pandas实现完全等价：

import numpy as np

# 生成测试数组
arr = np.random.random(500)

# 实现百分位排名（average规则）
sorted_arr = np.sort(arr)
left_idx = np.searchsorted(sorted_arr, arr, side='left')
right_idx = np.searchsorted(sorted_arr, arr, side='right')

# 计算1-based平均排名，转换为百分位排名
average_rank = (left_idx + right_idx + 1) / 2
percentile_rank = average_rank / arr.size

# 若需要和Pandas输出一致的二维数组格式
desired_output = percentile_rank.reshape(-1, 1)

其他排名规则的实现 #

如果需要调整排名规则，只需修改排名计算逻辑：

• min排名：percentile_rank = (left_idx + 1) / arr.size
• max排名：percentile_rank = right_idx / arr.size

效率优势 #

纯Numpy实现避免了Pandas DataFrame的额外开销，在长循环中会比原Pandas代码快数倍，尤其适合小规模数组的高频循环场景。

内容的提问来源于stack exchange，提问作者lara_toff