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