Python 在pandas中，如何根据另一列的平均值创建具有排名的新列

我有下面的数据框

+---------+-------+
| Country | value |
+---------+-------+
| UK      |    42 |
| US      |     9 |
| US      |    10 |
| France  |    15 |
| France  |    16 |
| Germany |    17 |
| Germany |    18 |
| Germany |    20 |
+---------+-------+

我想创建一个新的专栏，根据每个国家价值的平均值从大到小对它们进行排名

输出如下所示

+---------+-------+---------+------+
| Country | value | Average | Rank |
+---------+-------+---------+------+
| UK      |    42 |      42 |    1 |
| US      |     9 |     9.5 |    4 |
| US      |    10 |     9.5 |    4 |
| France  |    15 |    15.5 |    3 |
| France  |    16 |    15.5 |    3 |
| Germany |    17 |      18 |    2 |
| Germany |    18 |      18 |    2 |
| Germany |    20 |      18 |    2 |
+---------+-------+---------+------+

请注意，我不需要平均列，它只是用来帮助解释

---

非常感谢

解决方案
我使用

pd.DataFrame.join

和

pd.concat

组合使用

groupby

和

mean

m = df.groupby('Country').value.mean()
df.join(
    pd.concat([m, m.rank(ascending=False)], axis=1, keys=['Average', 'Rank']),
    on='Country')

   Country  value    Average  Rank
0       UK     42  42.000000   1.0
1       US      9   9.500000   4.0
2       US     10   9.500000   4.0
3   France     15  15.500000   3.0
4   France     16  15.500000   3.0
5  Germany     17  18.333333   2.0
6  Germany     18  18.333333   2.0
7  Germany     20  18.333333   2.0

---

类似地，使用双

连接

m = df.groupby('Country').value.mean()
df.join(m.rename('Avergage'), on='Country') \
  .join(m.rank(ascending=False).rename('Rank'), on='Country')

   Country  value    Average  Rank
0       UK     42  42.000000   1.0
1       US      9   9.500000   4.0
2       US     10   9.500000   4.0
3   France     15  15.500000   3.0
4   France     16  15.500000   3.0
5  Germany     17  18.333333   2.0
6  Germany     18  18.333333   2.0
7  Germany     20  18.333333   2.0

---

或者使用

map

和

assign

m = df.groupby('Country').value.mean()
df.assign(
    Average=df.Country.map(m),
    Rank=df.Country.map(m.rank(ascending=False))
)

   Country  value    Average  Rank
0       UK     42  42.000000   1.0
1       US      9   9.500000   4.0
2       US     10   9.500000   4.0
3   France     15  15.500000   3.0
4   France     16  15.500000   3.0
5  Germany     17  18.333333   2.0
6  Germany     18  18.333333   2.0
7  Germany     20  18.333333   2.0

使用+表示平均值，然后：

类似的解决方案：

a = df.groupby('Country')['value'].transform('mean')
b = a.rank(method='dense', ascending=False)

df = df.assign(Average=a, Rank=b)
print (df)
   Country  value    Average  Rank
0       UK     42  42.000000   1.0
1       US      9   9.500000   4.0
2       US     10   9.500000   4.0
3   France     15  15.500000   3.0
4   France     16  15.500000   3.0
5  Germany     17  18.333333   2.0
6  Germany     18  18.333333   2.0
7  Germany     20  18.333333   2.0

---

我会使用现代方法链接方法来避免状态突变和创建新变量：

df = pd.DataFrame(
    {'Country': ['Russia', 'Russia', 'USA'], 'Value': [12, 15, 16]})

df.join(df.groupby('Country').
           mean().
           rank().
           rename(columns={'Value': 'Rank'}),
        on='Country')

---

很有趣，但对两个价值相同的国家不起作用。你能举个例子吗？我尝试了

{'Country'：['rusia'，'USA']，'Value'：[15,15]}

，它给出了

排名：[1.5,1.5]

，这似乎是一个正确的答案。Nvm，通过排名（method=“dense”）解决了我看到的“问题”。（+1）是的，这就是排名的定义：如果有七个相等的值，它们共享可能排名的平均值。在这种情况下，最大秩等于元素数，这很好。对不起，我编辑了你的文章，这是一个建议。超级清晰和简洁。虽然采用了相同的方法，但看不到类似解决方案的意义。也许你的看法不同+1@AntonvBR-非常感谢！

df = pd.DataFrame(
    {'Country': ['Russia', 'Russia', 'USA'], 'Value': [12, 15, 16]})

df.join(df.groupby('Country').
           mean().
           rank().
           rename(columns={'Value': 'Rank'}),
        on='Country')