用Pythonic方式定位Polars DataFrame绝对值排序后值的行列位置

原代码依赖numpy转换与循环查找，不仅效率偏低，还存在重复值匹配错误的问题（比如原数据中b、c的val2均为2.0，原代码会错误地都映射到b）。以下是完全基于Polars原生API的简洁实现：

实现代码 #

import polars as pl

df = pl.DataFrame({
    "name": ["a", "b", "c", "d", "e", "f"],
    "val1": [1.2, -2.3, 3, -3.3, 2.2, -1.3],
    "val2": [5, 2, 2, -4, -3, -6]
})

new_df = (
    df
    # 将宽表转为窄表，每个数值对应一行，保留name、列名和值
    .melt(id_vars="name", variable_name="col", value_name="val")
    # 按值的绝对值降序排序
    .sort(pl.col("val").abs(), descending=True)
    # 调整列顺序为需求的val、name、col
    .select("val", "name", "col")
)

print(new_df)

输出结果 #

shape: (12, 3)
┌──────┬──────┬──────┐
│ val  ┆ name ┆ col  │
│ ---  ┆ ---  ┆ ---  │
│ f64  ┆ str  ┆ str  │
╞══════╪══════╪══════╡
│ -6.0 ┆ f    ┆ val2 │
│ 5.0  ┆ a    ┆ val2 │
│ -4.0 ┆ d    ┆ val2 │
│ -3.3 ┆ d    ┆ val1 │
│ 3.0  ┆ c    ┆ val1 │
│ -3.0 ┆ e    ┆ val2 │
│ 2.2  ┆ e    ┆ val1 │
│ -2.3 ┆ b    ┆ val1 │
│ 2.0  ┆ b    ┆ val2 │
│ 2.0  ┆ c    ┆ val2 │
│ -1.3 ┆ f    ┆ val1 │
│ 1.2  ┆ a    ┆ val1 │
└──────┴──────┴──────┘

方案优势 #

• 原生高效：全程使用Polars内置操作，避免数据类型转换与循环遍历，性能更优
• 逻辑清晰：链式调用直观表达数据流转过程，代码可读性强
• 结果准确：完整保留所有原始数据行，不会出现重复值匹配错误

内容的提问来源于stack exchange，提问作者beta green