rank是通过“为各组分配一个平均排名”的方式破坏平级关系的。pandas排名会增加一个排名值（从1开始，一直到数组中有效数据的数量）。
所谓的排名，就是一组数据，我们想要知道每一条数据在整体中的名次，需要的是输出名次，并不改变原数据结构。
而排序会改变原来的数据结构，且不会返回名次，这一点区别需要弄明白。初学的时候容易弄混淆。
本文将通过一个实例，讲清楚Pandas中rank()排名函数的应用。下面是案例数据，包括我、张三以及唐宋八大家的语文考试成绩。
import pandas as pd
df = pd.DataFrame({'班级':['1班','1班','1班','1班','1班','2班','2班','2班','2班','2班'],
'姓名':['韩愈','柳宗元','欧阳修','苏洵','苏轼','苏辙','曾巩','王安石','张三','小伍哥'],
'成绩':[80,70,70,40,10,60,60,50,50,40]})
print(df)
结果：
班级 姓名 成绩
0 1班 韩愈 80
1 1班 柳宗元 70
2 1班 欧阳修 70
3 1班 苏洵 40
4 1班 苏轼 10
5 2班 苏辙 60
6 2班 曾巩 60
7 2班 王安石 50
8 2班 张三 50
9 2班 小伍哥 40
rank()函数语法：
DataFrame.rank(axis=0,method='average',numeric_only=None,na_option='keep',ascending=True,pct=False)
参数说明：
axis：0或’index’，1或’columns’，默认0，沿着行或列计算排名
method：’average’，’min’，’max’，’first’，’dense’，默认为’average’，如何对具有相同值（即ties）的记录组进行排名：
average：组的平均等级
min：组中最低的排名
max：组中最高等级
first：按排列顺序排列，依次排列
dense：类似于 ‘min’，但组之间的排名始终提高1
ascending：bool，默认为True（升序），元素是否应该按升序排名，如果为False就是降序
pct：bool，默认为False，是否以百分比形式显示返回的排名
所有的参数中，最核心的参数是method，一共5种排名方法，下面对这5种方法进行对比，应用的时候更好的去选择。
1、method=’first’
当method=’first’时，当里两个人的分数相同时，分数相同的情况下，谁先出现谁的排名靠前（当method取值为min，max，average时，都是要参考“顺序排名”的），表中的柳宗元和欧阳修分数相同，但是柳宗元在表格的前面，所以排名第2，欧阳修排名第3。
df['成绩排名_first'] =df.groupby('班级')['成绩'].rank(method='first', ascending=False)
结果如下：
班级 姓名 成绩 成绩排名_first
0 1班 韩愈 80 1.000000
1 1班 柳宗元 70 2.000000
2 1班 欧阳修 70 3.000000
3 1班 苏洵 40 4.000000
4 1班 苏轼 10 5.000000
5 2班 苏辙 60 1.000000
6 2班 曾巩 60 2.000000
7 2班 王安石 50 3.000000
8 2班 张三 50 4.000000
9 2班 小伍哥 40 5.000000
2、method=’min’
当method=’min’时，成绩相同的同学，取在顺序排名中最小的那个排名作为该值的排名，会出现名次跳空，柳宗元和欧阳修分数相同，在上面的排名中，分别排第2、第3，所以这里取2和3的最小的那个作为第2名作为共同的名次。
df['成绩排名_min'] =df.groupby('班级')['成绩'].rank(method='min', ascending=False)
结果如下：
班级 姓名 成绩 成绩排名_min
0 1班 韩愈 80 1.000000
1 1班 柳宗元 70 2.000000
2 1班 欧阳修 70 2.000000
3 1班 苏洵 40 4.000000
4 1班 苏轼 10 5.000000
5 2班 苏辙 60 1.000000
6 2班 曾巩 60 1.000000
7 2班 王安石 50 3.000000
8 2班 张三 50 3.000000
9 2班 小伍哥 40 5.000000
3、method=’max’
当method=’max’时，与上面的min相反，成绩相同的同学，取在顺序排名中最大的那个排名作为该值的排名，会出现名次跳空，柳宗元和欧阳修分数相同，在顺序排名中，分别排第2、第3，所以这里取2和3当中的最大的那个作为第3名作为共同的名次。
df['成绩排名_max'] =df.groupby('班级')['成绩'].rank(method='max', ascending=False)
班级 姓名 成绩 成绩排名_max
0 1班 韩愈 80 1.000000
1 1班 柳宗元 70 3.000000
2 1班 欧阳修 70 3.000000
3 1班 苏洵 40 4.000000
4 1班 苏轼 10 5.000000
5 2班 苏辙 60 2.000000
6 2班 曾巩 60 2.000000
7 2班 王安石 50 4.000000
8 2班 张三 50 4.000000
9 2班 小伍哥 40 5.000000
4、method=’dense’
method=’dense’，dense是密集的意思，即相同成绩的同学排名相同，其他依次加1即可，不会出现名次跳空的情况。柳宗元和欧阳修分数相同，在上面的排名中，分别排第2、第3，取相同排名2，这个看上去和min一样的，但是下一名的排名发生了变化，苏洵同学从第4名排到了第3名，排名数字连续的，没有跳跃。
df['成绩排名_dense'] =df.groupby('班级')['成绩'].rank(method='dense', ascending=False)
班级 姓名 成绩 成绩排名_dense
0 1班 韩愈 80 1.000000
1 1班 柳宗元 70 2.000000
2 1班 欧阳修 70 2.000000
3 1班 苏洵 40 3.000000
4 1班 苏轼 10 4.000000
5 2班 苏辙 60 1.000000
6 2班 曾巩 60 1.000000
7 2班 王安石 50 2.000000
8 2班 张三 50 2.000000
9 2班 小伍哥 40 3.000000
5、method=’average’
当method=’average’或者默认值时，成绩相同时，取顺序排名中所有名次之和除以该成绩的个数，即为该成绩的名次；比如上述排名中，70排名为2，3，那么,70的排名 = （2+3）/2=2.5，成绩为80的同学只有1个，且排名为1，那80的排名就位1/1=1。
班级 姓名 成绩 成绩排名_average
0 1班 韩愈 80 1.000000
1 1班 柳宗元 70 2.500000
2 1班 欧阳修 70 2.500000
3 1班 苏洵 40 4.000000
4 1班 苏轼 10 5.000000
5 2班 苏辙 60 1.500000
6 2班 曾巩 60 1.500000
7 2班 王安石 50 3.500000
8 2班 张三 50 3.500000
9 2班 小伍哥 40 5.000000