python - 为什么 pandas "rank"百分位数不介于 0 和 1 之间？

Question

我经常使用 pandas，并且经常执行与以下类似的代码:

df['var_rank'] = df['var'].rank(pct=True)
print( df.var_rank.max() )

并且经常会得到大于 1 的值。无论我保留还是删除“na”值，这种情况仍然会发生。这显然很容易修复(只需除以最大排名的值)，所以我不要求解决方法。我只是好奇为什么会发生这种情况，并且在网上没有找到任何线索。

有人知道为什么会发生这种情况吗？

一些非常简单的示例数据here (dropbox 链接 - 腌制的 Pandas 系列)。

我从 df.rank(pct=True).max() 得到的值为 1.0156 。我的其他数据的值高达 4 或 5。我通常使用非常困惑的数据。

Answer 1

您的数据不正确。

>>> s.rank(pct=True).max()
1.015625

s.sort(inplace=True)
>>> s.tail(7)
8      202512882
6      253661077
102            -
101            -
99             -
58             -
116            -
Name: Total Assets, dtype: object

>>> s[s != u'-'].rank(pct=True).max()
1.0

在 Pandas 0.18.0(上周发布)中，您可以指定 numeric only :

s.rank(pct=True, numeric_only=True)

我已经在 0.18.0 中尝试过上述方法，但似乎无法使其工作，因此您也可以执行此操作来对所有 float 和 int 值进行排名:

>>> s[s.apply(lambda x: isinstance(x, (int, float)))].rank(pct=True).max()
1.0

它创建一个 bool 掩码，确保每个值都是 int 或 float，然后对过滤结果进行排名。