Answers:
在最后一步中，在左侧使用切片：
array = numpy.array([4,2,7,1])
temp = array.argsort()
ranks = numpy.empty_like(temp)
ranks[temp] = numpy.arange(len(array))通过在最后一步中反转排列，可以避免两次排序。
使用argsort两次，首先获取数组的顺序，然后获取排名：
array = numpy.array([4,2,7,1])
order = array.argsort()
ranks = order.argsort()在处理2D（或更高维）数组时，请确保将轴参数传递给argsort以在正确的轴上排序。
[4,2,7,1,1]），则输出将根据其数组位置（[3,2,4,0,1]）对这些数字进行排名
argsort。
array = np.random.rand(10)应为array = np.random.rand(n)。
这个问题已有几年历史了，可以接受的答案很好，但是我认为以下仍然值得一提。如果您不介意对的依赖scipy，则可以使用scipy.stats.rankdata：
In [22]: from scipy.stats import rankdata
In [23]: a = [4, 2, 7, 1]
In [24]: rankdata(a)
Out[24]: array([ 3., 2., 4., 1.])
In [25]: (rankdata(a) - 1).astype(int)
Out[25]: array([2, 1, 3, 0])的一个不错的功能rankdata是，该method参数提供了几种处理关系的选项。例如，在中有3次出现20次，两次出现40次b：
In [26]: b = [40, 20, 70, 10, 20, 50, 30, 40, 20]默认值将平均等级分配给绑定值：
In [27]: rankdata(b)
Out[27]: array([ 6.5, 3. , 9. , 1. , 3. , 8. , 5. , 6.5, 3. ])method='ordinal' 分配连续等级：
In [28]: rankdata(b, method='ordinal')
Out[28]: array([6, 2, 9, 1, 3, 8, 5, 7, 4])method='min' 将绑定值的最小等级分配给所有绑定值：
In [29]: rankdata(b, method='min')
Out[29]: array([6, 2, 9, 1, 2, 8, 5, 6, 2])有关更多选项，请参见文档字符串。
rankdata似乎使用与接受的答案相同的机制在内部生成初始排名。
我试图将两个以上的解决方案扩展到一个以上维度的数组A，假设您逐行处理数组（轴= 1）。
我用行循环扩展了第一个代码；可能可以改善
temp = A.argsort(axis=1)
rank = np.empty_like(temp)
rangeA = np.arange(temp.shape[1])
for iRow in xrange(temp.shape[0]):
rank[iRow, temp[iRow,:]] = rangeA根据k.rooijers的建议，第二个变为：
temp = A.argsort(axis=1)
rank = temp.argsort(axis=1)我随机生成400个形状为（1000,100）的数组；第一个代码大约是7.5，第二个代码是3.8。
有关平均排名的矢量化版本，请参见下文。我喜欢np.unique，它确实扩大了可以有效地向量化代码的范围。除了避免python for循环外，这种方法还避免了对'a'的隐式双循环。
import numpy as np
a = np.array( [4,1,6,8,4,1,6])
a = np.array([4,2,7,2,1])
rank = a.argsort().argsort()
unique, inverse = np.unique(a, return_inverse = True)
unique_rank_sum = np.zeros_like(unique)
np.add.at(unique_rank_sum, inverse, rank)
unique_count = np.zeros_like(unique)
np.add.at(unique_count, inverse, 1)
unique_rank_mean = unique_rank_sum.astype(np.float) / unique_count
rank_mean = unique_rank_mean[inverse]
print rank_mean除了解决方案的简洁和简短之外，还存在性能问题。这是一个小基准：
import numpy as np
from scipy.stats import rankdata
l = list(reversed(range(1000)))
%%timeit -n10000 -r5
x = (rankdata(l) - 1).astype(int)
>>> 128 µs ± 2.72 µs per loop (mean ± std. dev. of 5 runs, 10000 loops each)
%%timeit -n10000 -r5
a = np.array(l)
r = a.argsort().argsort()
>>> 69.1 µs ± 464 ns per loop (mean ± std. dev. of 5 runs, 10000 loops each)
%%timeit -n10000 -r5
a = np.array(l)
temp = a.argsort()
r = np.empty_like(temp)
r[temp] = np.arange(len(a))
>>> 63.7 µs ± 1.27 µs per loop (mean ± std. dev. of 5 runs, 10000 loops each)rankdata(l, method='ordinal') - 1。
两次使用argsort（）可以做到：
>>> array = [4,2,7,1]
>>> ranks = numpy.array(array).argsort().argsort()
>>> ranks
array([2, 1, 3, 0])我尝试了上述方法，但失败了，因为我有很多zeore。是的，即使使用浮点数，重复项也可能很重要。
因此，我通过添加领带检查步骤编写了一个修改后的一维解决方案：
def ranks (v):
import numpy as np
t = np.argsort(v)
r = np.empty(len(v),int)
r[t] = np.arange(len(v))
for i in xrange(1, len(r)):
if v[t[i]] <= v[t[i-1]]: r[t[i]] = r[t[i-1]]
return r
# test it
print sorted(zip(ranks(v), v))我相信它会尽可能高效。
我喜欢k.rooijers的方法，但是正如rcoup所写，重复数字是根据数组位置进行排序的。这对我不利，因此我修改了版本以对等级进行后处理，并将所有重复的数字合并为合并的平均等级：
import numpy as np
a = np.array([4,2,7,2,1])
r = np.array(a.argsort().argsort(), dtype=float)
f = a==a
for i in xrange(len(a)):
if not f[i]: continue
s = a == a[i]
ls = np.sum(s)
if ls > 1:
tr = np.sum(r[s])
r[s] = float(tr)/ls
f[s] = False
print r # array([ 3. , 1.5, 4. , 1.5, 0. ])我希望这也可以对其他人有所帮助，我试图找到其他解决方案，但是找不到任何解决方案...
更通用的版本之一：
In [140]: x = np.random.randn(10, 3)
In [141]: i = np.argsort(x, axis=0)
In [142]: ranks = np.empty_like(i)
In [143]: np.put_along_axis(ranks, i, np.repeat(np.arange(x.shape[0])[:,None], x.shape[1], axis=1), axis=0)请参阅如何将numpy.argsort（）用作两个以上维度的索引？泛化为更多的暗淡。
ranks = temp.argsort()。