对内存DataFrame调用row_number() over ()，行号是否按出现顺序生成？

核心结论 #

不要依赖row_number() over ()这种无排序规则的窗口函数来保证原DataFrame的行顺序。尽管你给出的测试案例结果符合预期，但这属于DuckDB的实现细节，而非官方承诺的稳定语义，未来版本或不同场景下可能发生变化。

测试场景验证 #

你提供的测试代码确实显示行号与原DataFrame的行顺序完全匹配：

In [11]: df = pl.DataFrame({'a': range(1, 1_280_000)}); duckdb.sql('select *, row_number() over () as index from df qualify a != index').pl()
Out[11]:
shape: (0, 2)
┌─────┬───────┐
│ a   ┆ index │
│ --- ┆ ---   │
│ i64 ┆ i64   │
╞═════╪═══════╡
└─────┴───────┘

该结果仅说明在当前测试场景下，row_number()的生成顺序与原DataFrame行序一致，但不具备普遍可靠性。

为什么不能依赖这种行为？ #

• 从SQL标准来看，未指定ORDER BY的窗口函数不保证行的处理顺序。row_number() over ()既没有分区规则也没有排序规则，数据库可根据执行计划（如并行读取、缓存策略等）自由调整行的处理顺序。
• DuckDB对外部DataFrame的读取逻辑可能随版本迭代优化，比如引入更高效的并行处理机制，这可能打破当前的行序匹配情况。

可靠的替代方案 #

如果需要严格保留原DataFrame的行顺序并生成行号，推荐以下两种方式：

1. 在原DataFrame中预先添加显式的索引列，再传入DuckDB：

   # Polars示例
   df = pl.DataFrame({'a': range(1, 1_280_000)}).with_row_index('original_order')
   result = duckdb.sql('select *, row_number() over (order by original_order) as index from df')
   

2. 在DuckDB的窗口函数中显式指定能确定原行序的排序键（前提是原DataFrame存在唯一标识行序的列）：

   # 利用原DataFrame的自增列a确定顺序
   result = duckdb.sql('select *, row_number() over (order by a) as index from df')
   

内容的提问来源于stack exchange，提问作者ignoring_gravity