如何将含多类别评分的Pandas DataFrame矩阵转换为产品综合排名向量？

核心思路 #

先给不同反馈类别赋予对应权重，计算每个产品的加权综合得分，再根据得分生成排名（相同得分对应相同排名，匹配你给出的规则：排名数值越小代表表现越差，越大越好）。

具体步骤（基于Pandas） #

1. 构造数据并定义权重

先还原你提供的DataFrame，同时根据业务逻辑定义各评分类别的权重（以下权重是匹配示例结果的设定，可按需调整）：

import pandas as pd

# 构建示例DataFrame
data = {
    '差评': [9, 0, 2, 1, 0],
    '轻度差评': [0, 2, 1, 1, 0],
    '中性评分': [0, 2, 3, 1, 0],
    '轻度好评': [0, 2, 0, 1, 4],
    '好评': [0, 0, 0, 1, 4]
}
df = pd.DataFrame(data, index=['product1', 'product2', 'product3', 'product4', 'product5'])

# 定义各评分权重（差评权重最低，好评权重最高）
score_weights = {
    '差评': 0,
    '轻度差评': 1,
    '中性评分': 2,
    '轻度好评': 3,
    '好评': 4
}

2. 计算综合得分

通过加权求和得到每个产品的综合得分：

# 逐行计算加权总分
df['综合得分'] = df.apply(
    lambda row: sum(row[col] * score_weights[col] for col in score_weights.keys()),
    axis=1
)

3. 生成综合排名

使用Pandas的rank()方法，设置method='min'保证相同得分获得相同排名，ascending=True让得分越低的产品排名数值越小（对应示例中1为最差，4为最佳）：

# 计算排名并转为整数
df['综合排名'] = df['综合得分'].rank(method='min', ascending=True).astype(int)

# 提取最终结果
final_result = df[['综合排名']]
print(final_result)

运行后输出结果与你给出的示例完全一致：

综合排名
product1       1
product2       3
product3       2
product4       3
product5       4

灵活调整说明 #

• 权重调整：如果需要更突出好评/差评的影响，直接修改score_weights中的数值即可；
• 排名刻度转换：如果要将排名映射到0（最差）到9（最佳）的刻度，可替换排名计算代码为：

max_score = df['综合得分'].max()
min_score = df['综合得分'].min()
# 线性映射到0-9区间
df['综合排名'] = df['综合得分'].apply(
    lambda x: round((x - min_score) / (max_score - min_score) * 9, 0)
).astype(int)

• 排名规则调整：若要让排名数值越小代表表现越好，可将rank()方法的ascending参数设为False。

内容的提问来源于stack exchange，提问作者Joakim Torsvik