Polars中filter()与pl.corr()结合使用时出现的异常值问题分析

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：

1. 在每个分组内，先过滤掉b列不大于0的行
2. 计算剩余行的a列和b列的相关系数
3. 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：

1. 先使用filter()过滤数据
2. 计算分组相关系数
3. 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。