Polars中filter()与pl.corr()结合使用时出现的异常值问题分析
2025-05-04 15:16:01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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K