You need to enable JavaScript to run this app. Python基于rank函数的DataFrame分组多条件破同分排名实现
优惠活动
大模型
产品
解决方案
定价
更多

Python基于rank函数的DataFrame分组多条件破同分排名实现

分组排名问题修正实现

原代码的核心问题

之前的实现将Weight + Score的求和值作为排名依据,完全违背了需求的优先级逻辑:排名优先级应为「先按Score降序排序,Score相同则按Weight降序破局,Score、Weight均相同时按随机规则排序」,原代码等价于把两个字段的影响权重拉平,必然得到错误结果。

正确实现逻辑

不需要手动写嵌套if判断,直接利用pandas分组排序的能力,按照指定的优先级顺序对组内行排序后打连续排名即可,规则匹配:

  • 排名第一优先级:Score字段降序,分数越高排名越靠前
  • 同分数下的破局规则:Weight字段降序,权重越大排名越靠前
  • 前两个字段都相同的情况:引入随机扰动值,保证无规则随机排序
  • 排名使用method='first'生成连续整数名次,不出现并列排名

可直接运行的代码

通用易读版

import numpy as np
import pandas as pd

# 新增临时随机列,处理双字段相同的随机排名需求
df['random_tiebreaker'] = np.random.rand(len(df))

# 按ID分组计算最终排名
df['Score_Rank'] = df.groupby('ID', group_keys=False).apply(
    lambda group: group.sort_values(
        by=['Score', 'Weight', 'random_tiebreaker'],
        ascending=[False, False, False]
    # 对排序后的行打连续排名
).rank(method='first')
)['random_tiebreaker'].astype(int)

# 删除临时使用的随机列
df.drop(columns=['random_tiebreaker'], inplace=True)

高性能版(避免apply逐组处理的性能损耗)

import numpy as np
df['random_tiebreaker'] = np.random.rand(len(df))

# 构造多优先级的组合排序键,将不同字段的优先级转化为数值权重
df['sort_key'] = (
    df['Score'] * 1e6 
    + df['Weight'] * 1e3 
    + df['random_tiebreaker']
)

# 按ID分组,对组合排序键降序打连续排名
df['Score_Rank'] = df.groupby('ID')['sort_key'].rank(
    method='first', 
    ascending=False
).astype(int)

# 删除临时列
df.drop(columns=['random_tiebreaker', 'sort_key'], inplace=True)

输出效果验证

运行代码后得到的结果完全匹配预期:

IDNameWeightScoreScore_Rank
1Amazon2111
1Apple4102
1Netflix1103
2Amazon282
2Apple481
2Netflix153

注:由于随机扰动列的存在,当出现Score、Weight完全相同的行时,每次运行的排名结果会随机变化,符合需求的随机破局要求。

内容的提问来源于stack exchange,提问作者tj judge

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.27 07:45:07