你提到的pandas.DataFrame.rank(pct=True)确实是计算百分位的常用方法，但它默认的计算逻辑是排名除以样本总数，所以对于4个样本的情况，第一个值的排名是1，1/4=0.25，就出现了你看到的结果。如果想要得到从0.0（最小）到1.0（最大）的百分位映射，可以用以下几种方法：

方法1：手动调整排名公式 #

最直接的方式是基于排名手动计算，公式为：(排名 - 1) / (样本总数 - 1)。这样最小的排名1会映射到0.0，最大的排名n会映射到1.0，中间值按线性比例分布。

示例代码：

import pandas as pd

num = pd.DataFrame([3,5,6,8])
# 获取排名（这里用method='min'处理重复值，可根据需求替换为'max'/'average'等）
rank_values = num.rank(method='min')
# 计算0到1的百分位
percentiles = (rank_values - 1) / (len(num) - 1)

print(percentiles)

输出结果：

0    0.000000
1    0.333333
2    0.666667
3    1.000000
dtype: float64

如果你的数据有重复值，method参数可以灵活调整：

• method='min': 重复值取最小排名
• method='max': 重复值取最大排名
• method='average': 重复值取平均排名

方法2：使用scipy的percentileofscore（按需选择） #

如果你需要基于“小于等于当前值的样本占比”来计算，但希望调整到0-1范围，可以用scipy.stats.percentileofscore，不过需要额外处理边界值：

from scipy.stats import percentileofscore
import pandas as pd

num = pd.DataFrame([3,5,6,8])
# 计算每个值的百分占比，再调整到0-1
percentiles = num.apply(
    lambda x: (percentileofscore(num[0], x, kind='weak') - 100/(len(num)*2)) / 100
)

print(percentiles)

不过这种方法相对复杂，对于简单的0-1线性映射，方法1是最优选择。

内容的提问来源于stack exchange，提问作者Skywalker