Polars中filter()与pl.corr()结合使用时出现的异常值问题分析
2025-05-04 17:12:35作者:申梦珏Efrain
在使用Polars进行数据分析时,我们经常会遇到需要计算分组内两列相关系数的情况。本文将深入探讨一个特定场景下出现的异常值问题:当我们在计算相关系数时使用filter()过滤数据,并通过over()函数将结果广播到整个分组时,某些行会出现非预期的极小值。
问题现象
考虑以下示例数据:
import polars as pl
df = pl.DataFrame({
"a": [1, 2, 3, 1, 2, 3],
"b": [4, 3, 0, 1, 2, 0],
"c": ["first", "first", "first", "second", "second", "second"],
})
我们想要计算每个分组内列a和列b的相关系数,但只考虑b列大于0的行。使用group_by().agg()方法可以得到正确结果:
gt0 = pl.col("b") > 0
df_group = df.filter(gt0).group_by("c").agg(corr=pl.corr("a", "b"))
结果正确显示为:
first -1.0
second 1.0
然而,当我们尝试使用over()函数将结果广播回原始数据时:
df_window = df.with_columns(
corr=pl.corr(
pl.col("a").filter(gt0),
pl.col("b").filter(gt0),
).over("c"),
)
部分行出现了异常小的数值(如2.2510e-314),而不是预期的-1.0或1.0。
技术分析
预期行为
从逻辑上讲,我们期望:
- 在每个分组内,先过滤掉b列不大于0的行
- 计算剩余行的a列和b列的相关系数
- 将这个相关系数广播到分组内的所有行
实际行为
实际结果中,对于被过滤掉的行(b列不大于0的行),相关系数计算结果出现了异常小的浮点数,这些值实际上是浮点数的"非数"表示。
根本原因
根据Polars核心开发者的解释,这种表达式本应引发错误。因为在窗口函数中,除非是标量值,否则不允许返回比窗口大小更少的行数。然而在当前实现中,系统没有正确验证这一约束,导致了异常值的出现。
解决方案
目前推荐的替代方案是:
- 先使用filter()过滤数据
- 计算分组相关系数
- 使用join操作将结果合并回原始数据
例如:
corr_df = df.filter(gt0).group_by("c").agg(corr=pl.corr("a", "b"))
result = df.join(corr_df, on="c", how="left")
这种方法虽然多了一步操作,但能保证结果的正确性。
总结
Polars在处理窗口函数中的过滤操作时存在边界情况,特别是在计算统计量如相关系数时。开发者需要注意这种特殊情况,并采用更稳健的实现方式。该问题已被标记为bug,预计在未来的版本中会得到修复。在此之前,建议用户使用更明确的join操作来替代直接的窗口计算。
对于数据分析工作流来说,理解这类边界情况非常重要,特别是在处理真实世界数据时,过滤操作和分组计算都是常见需求。保持对计算结果合理性的验证习惯,可以帮助我们及早发现并规避这类问题。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8