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

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:

  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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (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开源商城ShopXO开源商城
🔥🔥🔥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-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57
CangjieCommunityCangjieCommunity
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
HarmonyOS-ExamplesHarmonyOS-Examples
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
Cangjie-ExamplesCangjie-Examples
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