Python DataFrame按Indicator与Country分组计算Value对应Rank的实现方案求助

核心逻辑是按Indicator、Country分组后，对每组的Value列统计每个值小于等于组内所有元素的次数，两种实现方式如下：

1. 完整实现代码 #

方式1：使用rank方法（性能更高，适合大数据量） #

pandas内置的rank方法配合method='max'参数，刚好可以直接返回小于等于当前值的元素总数，无需手动遍历：

import pandas as pd

# 构造示例DataFrame
data = [ 
    { "Indicator": "A", "Country": "x",  "Value": 20 }, 
    { "Indicator": "A", "Country": "x","Value": 20 }, 
    { "Indicator": "A","Country": "x", "Value": 30 },
    { "Indicator": "B","Country": "x", "Value": 10 }, 
    { "Indicator": "B","Country": "y","Value": 30 }, 
    { "Indicator": "B", "Country": "y", "Value": 20 }
]
df = pd.DataFrame(data)

# 计算Rank列
df['Rank'] = df.groupby(['Indicator', 'Country'])['Value']\
    .transform(lambda x: x.rank(method='max', ascending=True))\
    .astype(int)

方式2：手动计数（逻辑更直观，无理解门槛） #

完全贴合需求描述的原生逻辑实现，直接遍历组内每个值统计符合条件的次数：

df['Rank'] = df.groupby(['Indicator', 'Country'])['Value'].transform(
    lambda ser: [sum(ser <= val) for val in ser]
)

2. 输出结果 #

运行上述代码后最终得到的DataFrame如下：

内容的提问来源于stack exchange，提问作者MLotz