DataFrame.rank()默认按列（axis=0）排名，axis=1按行排名；返回新DataFrame，NaN不参与排序且保留为NaN；重复值默认取平均秩，method='min'可取最小秩；降序用ascending=False（≥1.4.0）或取负；需预处理混合类型与空列。
用 rank() 方法做行/列方向的动态排名
直接调用 DataFrame.rank() 即可，关键在 axis 参数：设为 0（默认）按列计算，1 按行计算。它不改变原数据，返回新 DataFrame，每个值替换成其在所在轴上的相对名次。
常见错误是误以为 rank() 会自动处理 NaN 或重复值导致结果“不对”——其实它默认用 method='average'，对相同值取平均秩；若要跳过 NaN，必须显式设 na_option='keep'（默认就是这个），但要注意：NaN 不参与排序，对应位置仍为 NaN，不是 0 或空字符串。
-
axis=0：每列独立排名，适合比较各指标在不同样本间的相对位置（如“每个学生的数学成绩在全班排第几”） -
axis=1：每行独立排名，适合横向对比（如“某学生各科成绩中，语文排第几、数学排第几”） - 重复值默认平分名次，改用
method='min'可让并列者取最小秩（如两个并列第1，则都标为 1，下一个为 3） - 避免链式赋值：不要写
df['rank_col'] = df.rank(axis=0)['col_name']，应先算好再赋值，否则可能触发SettingWithCopyWarning
处理含 NaN 的排名时容易踩的坑
NaN 默认不参与排序，但它的存在会影响其他值的名次计算逻辑——比如一列有 [5, NaN, 3]，按升序排时，实际只对 [5, 3] 排名，结果是 [2.0, NaN, 1.0]，而不是把 NaN 当作最大或最小来占位。
如果业务要求把 NaN 视为“最低分”或“最高分”，rank() 本身不支持，得先预处理：
立即学习“Python免费学习笔记（深入）”；
- 视作最小：用
df.fillna(df.min() - 1)（需确保减后不与其他值冲突） - 视作最大：用
df.fillna(df.max() + 1) - 更稳妥的做法是用
numpy.where或mask分离 NaN 位置，单独赋值，再对非 NaN 部分调用rank()
注意：rank() 对空列（全 NaN）返回全 NaN，不会报错，但后续计算可能出问题，建议提前检查 df.isna().all(axis=0)。
按指定顺序（降序）排名的写法
rank() 默认按升序（从小到大）排，即最小值秩为 1。要降序（如“分数越高排名越前”），不能靠反转结果，而应先取负值再排名，或用 ascending=False 参数（Pandas ≥ 1.4.0 支持）。
- Pandas ≥ 1.4.0：直接写
df.rank(axis=1, ascending=False) - 旧版本：用
df.mul(-1).rank(axis=1)，但要注意负号对 NaN 无影响，且若原数据含 0，取负后仍是 0，不影响排名逻辑 - 混合类型列（如含字符串）不能直接 rank，会报
TypeError: unsupported operand type(s) for -: 'str'，需先过滤或转换
性能与大数据量下的注意事项
对百万级行数的 DataFrame 调用 rank(axis=1) 会明显变慢，因为每行都要独立排序，时间复杂度接近 O(n × m log m)，其中 m 是列数。而 axis=0 是列向量排序，底层优化更好。
- 若只需 Top-K 名次（如每行只关心前三名），别用
rank()全量计算，改用argsort()+ 切片更高效 - 避免在循环里反复调用
rank()，尽量向量化；例如按组分别排名，用groupby(...).rank()比手动分组后逐个 rank 快得多 - 内存方面：
rank()返回 float64 类型，即使输入是 int，若后续只用整数秩，可用.astype('int64')转换，但要注意 NaN 会转成np.nan，无法转 int，得先fillna(0)或用Int64dtype
真正麻烦的是跨列逻辑依赖的“动态”——比如“按 A 列排序后，取 B 列对应位置的值再排名”，这种得拆成多步，rank() 本身不支持引用其他列的排序结果。
