在计算因子时候经常会使用到 rank排序，既将序列转换为顺序：

s1 = pd.Series([0.1,5,0.6,0.8,0.2,9])
s2 = s1.rank()
print(s1)
print(s2)output：
0    0.1
1    5.0
2    0.6
3    0.8
4    0.2
5    9.0
dtype: float64
0    1.0
1    5.0
2    3.0
3    4.0
4    2.0
5    6.0
dtype: float64

可以看到转换后的数据值域为 [1,len(data)],既 [1.n]

使用公式 data / n *2 -1 ；

data / n ：将排名指标缩放到0到1之间的范围。这样得到的结果是一个在0到1之间的序列，

*2：将结果乘以2，将数值范围扩展到0到2之间

-1：将结果减去1，将数值范围平移至-1到1之间。这样就实现了将排名指标映射到区间[-1, 1]的标准化。

通过这个标准化过程，排名指标的最小值将映射为-1，最大值将映射为1，而中间的值将线性地映射到这个范围内。这样可以使得不同时间窗口下的排名指标具有可比性。

举个例子：

def ap_rank(depth, trade, n=100):## 卖方价格在一定时间窗口内的排名指标return ((depth.ap1.rolling(n).rank())/n*2 - 1).fillna(0)def bp_rank(depth, trade, n=100):## 买方价格在一定时间窗口内的排名指标  ps：/n*2 -1 标准化到 【-1，1】return ((depth.bp1.rolling(n).rank())/n*2 - 1).fillna(0)