Polars数据框架中write_ndjson与sink_ndjson的行为差异分析

在Polars数据处理框架中，用户报告了一个关于JSON序列化输出的有趣现象。当使用DataFrame的write_ndjson方法（立即执行模式）和sink_ndjson方法（延迟执行模式）处理相同数据时，两者产生了不同的输出结果。

问题重现

让我们先看一个简单的示例代码：

import io
import polars as pl

df = pl.DataFrame({"x": [1, 2], "y": [None, 3]})

query = (
    df.group_by("x", maintain_order=True)
      .all()
      .select(
          pl.when(pl.col("y").list.sum() > 0).then("y")
      )
)

当分别使用立即执行和延迟执行模式将结果输出为NDJSON格式时：

# 立即执行模式
eager = query.write_ndjson().encode()

# 延迟执行模式
output_file = io.BytesIO()
query.lazy().sink_ndjson(output_file)
lazy = output_file.getvalue()

两种模式产生了不同的输出：

• 立即执行模式输出：b'{"y":null}\n{"y":[null]}\n'
• 延迟执行模式输出：b'{"y":null}\n{"y":[3]}\n'

技术分析

这个问题的核心在于Polars处理条件表达式和空值时的内部机制差异。在立即执行模式下，条件表达式pl.when(pl.col("y").list.sum() > 0).then("y")似乎错误地处理了包含实际值的列表，将其转换为了null值。

值得注意的是，如果直接构造包含相同数据的DataFrame：

query = pl.DataFrame({"y": [None, [3]]})

两种序列化方法都能正确工作，这说明问题特定于通过条件表达式生成的数据结构。

影响范围

这种不一致性会影响以下场景：

1. 使用条件表达式处理分组数据后输出JSON
2. 包含空值的列表型数据序列化
3. 在立即执行和延迟执行模式间切换时

解决方案

开发团队已经确认这是一个需要修复的bug。对于遇到此问题的用户，目前可以采取以下临时解决方案：

1. 统一使用延迟执行模式处理此类数据
2. 对于需要立即执行的情况，可以先转换为延迟执行模式再序列化
3. 或者重构查询逻辑，避免在条件表达式中直接处理列表型数据

总结

这个案例展示了数据处理框架中序列化行为一致性的重要性。Polars团队已经快速响应并修复了这个问题，体现了该项目对数据一致性的重视。对于数据工程师来说，理解不同执行模式下的行为差异有助于编写更健壮的数据处理代码。