力扣：178. 分数排名（Python3）

题目：

表: Scores

+-------------+---------+
| Column Name | Type    |
+-------------+---------+
| id          | int     |
| score       | decimal |
+-------------+---------+
在 SQL 中，id 是该表的主键。
该表的每一行都包含了一场比赛的分数。Score 是一个有两位小数点的浮点值。

查询并对分数进行排序。排名按以下规则计算:

• 分数应按从高到低排列。
• 如果两个分数相等，那么两个分数的排名应该相同。
• 在排名相同的分数后，排名数应该是下一个连续的整数。换句话说，排名之间不应该有空缺的数字。

按 score 降序返回结果表。

查询结果格式如下所示。

来源：力扣（LeetCode）
链接：力扣（LeetCode）官网 - 全球极客挚爱的技术成长平台

示例：

示例 1：

输入：

Scores 表:
+----+-------+
| id | score |
+----+-------+
| 1  | 3.50  |
| 2  | 3.65  |
| 3  | 4.00  |
| 4  | 3.85  |
| 5  | 4.00  |
| 6  | 3.65  |
+----+-------+

输出：

+-------+------+
| score | rank |
+-------+------+
| 4.00  | 1    |
| 4.00  | 1    |
| 3.85  | 2    |
| 3.65  | 3    |
| 3.65  | 3    |
| 3.50  | 4    |
+-------+------+

解法：

先对score列降序排序，接着删除id列，然后使用rank函数排名。

知识点：

1.DataFrame.rank(axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False)：计算出axis方向上各个data的排名。axis：默认按沿着index方向排名；method有以下选择：

‘average’：默认，在每个组中分配平均排名（组，相同的值就是一个组，下同）；

‘min’：对整个组使用最小排名；

‘max’：对整个组使用最大排名；

‘first’：按照值在数据中出现的次序分配排名；

‘dense’：类似于‘min’，但是组间排名总是增加1，而不是一个组中的相等元素的数量；

numeric_only：是否只对数值列处理；na_option：用于处理NaN值，'keep'：保持NA；'top'：升序时给NaN分配最小值；'bottom'：升序时给NaN分配最大值；ascending：是否为升序，默认为True；pct：是否为百分数。举例，初始表如下，存在r：

r['rank'] = r.rank(method='dense', ascending=False)

代码：

import pandas as pddef order_scores(scores: pd.DataFrame) -> pd.DataFrame:r = scores.sort_values(['score'], ascending=False, ignore_index=True)del r['id']r['rank'] = r.rank(method='dense', ascending=False)return r