多条件排名-Python版

此前，我们已经分别介绍了使用VBA、JSA 实现多条件排序的实操方法。而在数据处理中，Python同样是实现多条件排序的常用工具，因此接下来我们介绍对应的 Python 处理方式。

为了能够直观、清晰地查看多条件排序的最终执行效果，本次我们将借助 Jupyter Notebook 工具来完成结果可视化展示。下面我们直接来看完整的实操代码。

import pandas as pdimport os os.chdir(r'E:\TestData')df = pd.read_excel('sort.xlsx', header=1, usecols='b,f,g,h')df = df.sort_values(by = ['总分','等级值1','等级值2'], ascending = [0,0,0]).reset_index(drop = True)df['名次'] = df.groupby(['总分','等级值1','等级值2']).ngroup(ascending = False).rank(method = 'min').astype(int)df

相较于前面介绍的 VBA 代码和 JSA 代码，利用 Python 编写的代码在写法上更加精简清爽。接下来，我们就一起查看对应的程序运行结果。

最终得到的处理结果和前面两种方法的输出结果完全一致，唯一区别就是 Jupyter Notebook 会自动对名次完成排序展示。

最后我们对核心代码做个解释：

第 5 行代码：

读取名为 sort.xlsx的 Excel 文件，把表格的第 2 行设为表头，只提取 B、F、G、H 这四列的数据，读取完成后存入变量 df。

这里我们需要留意：表格第一行是合并单元格，内容是 “成绩表”，属于表格标题，并不是正式的字段表头，因此我们选用第 2 行作为表头。

另外要记住，Pandas 内部的行索引是从 0 开始计算的，所以设置 header=1，对应的就是 Excel 里的第 2 行。

第 6 行代码：

sort_values () 

Pandas 专门用来排序的函数，能够依据指定列的数据，调整表格内各行的先后顺序。

by = [' 总分 ',' 等级值 1','等级值 2']

用于设置多条件排序依据。排序时会优先依据【总分】进行排序；若多条数据的总分一致，就接着依据【等级值 1】排序；倘若总分、等级值 1 两项数值都相同，则最后依据【等级值 2】排序。

ascending = [0,0,0]

用来分别设置每一项排序条件是升序还是降序。其中 1 代表升序，也就是数值从小到大排列；0 代表降序，也就是数值从大到小排列。[0,0,0] 意味着三项排序条件全部使用降序，总分由高到低排列，等级值 1 由高到低排列，等级值 2 同样由高到低排列。

.reset_index (drop = True)

数据完成排序后，原本的行索引顺序会变得杂乱。reset_index () 的作用是重新生成一组连续有序的行编号；drop=True 代表直接舍弃原先混乱的旧索引，不会把旧索引单独新增成一列保存下来。

第 7 行代码：

df [' 名次 '] =

在数据表 df 中新建一列，列名设置为 “名次”，等号右侧代码运算得出的结果，将会赋值给这一新列。

df.groupby ([' 总分 ',' 等级值 1','等级值 2'])

依据总分、等级值 1、等级值 2 三个字段组合进行分组。只要某几条数据这三个字段的数值完全一致，对应的行就会被归到同一个分组内。

.ngroup (ascending = False)

.ngroup () 的作用是为每一个分组分配专属的数字编号。默认状态下分组编号从小到大依次分配；设置 ascending=False 之后，分组编号将改为倒序分配。简单来说，综合得分越高的分组，得到的编号数值越小。

.rank (method = 'min')

针对前面生成的分组编号开展排名计算。method='min' 代表采用最小排名法处理并列情况，这也是竞赛里经常使用的排名规则。举个例子：两人并列第 1 名，紧随其后的人员名次直接为第 3 名。

.astype (int)

排名运算完成后得到的数据默认是小数形式，这段代码会把排名结果转换为整数，保证名次不会出现小数。