使用Python-Polars聚合时如何计算众数？含字符串类型疑问

1. 修复pl.mode报错问题 #

你判断的原因完全正确，Polars没有全局的pl.mode()聚合函数，必须通过列表达式pl.col(col).mode()来调用众数聚合。直接替换expr_mode的生成逻辑即可：

expr_mode = [pl.col(col).mode().alias(f"mode_{col}") for col in cols]

注意：如果某列存在多个众数，mode()默认会返回所有众数组成的列表，你可以添加.first()来取第一个众数，比如pl.col(col).mode().first().alias(f"mode_{col}")，避免聚合后出现列表类型的列。

2. 适配字符串类型的聚合逻辑 #

当前代码仅针对数值类型（日期差转成的天数）处理，若要支持字符串列的聚合，需要区分列类型生成对应表达式：

• 字符串列支持的聚合操作：max（字典序最大）、min（字典序最小）、mode（众数）
• 字符串列不支持mean、std这类数值统计操作，强行调用会报错

修改后的代码如下，会自动区分列类型生成对应表达式：

def date_expr(df, df_base):
    # 改为在表达式中关联df_base的date_decision，避免提前join导致数据膨胀
    date_decision = pl.col("case_id").map_batches(
        lambda s: df_base.filter(pl.col("case_id").is_in(s))["date_decision"]
    )

    # 生成日期差表达式（仅处理结尾为"D"的日期列）
    date_cols = [col for col in df.columns if col[-1] == "D"]
    date_diff_exprs = [
        (pl.col(col) - date_decision).dt.total_days().alias(col)
        for col in date_cols
    ]

    # 分离数值列和字符串列（日期差转成数值，其他列可能为字符串）
    numeric_cols = date_cols
    string_cols = [col for col in df.columns if col not in date_cols and df[col].dtype == pl.Utf8]

    # 数值列聚合表达式
    numeric_exprs = []
    if numeric_cols:
        numeric_exprs.extend([pl.max(col).alias(f"max_{col}") for col in numeric_cols])
        numeric_exprs.extend([pl.min(col).alias(f"min_{col}") for col in numeric_cols])
        numeric_exprs.extend([pl.mean(col).alias(f"mean_{col}") for col in numeric_cols])
        numeric_exprs.extend([pl.col(col).mode().first().alias(f"mode_{col}") for col in numeric_cols])
        numeric_exprs.extend([pl.std(col).alias(f"std_{col}") for col in numeric_cols])

    # 字符串列聚合表达式
    string_exprs = []
    if string_cols:
        string_exprs.extend([pl.max(col).alias(f"max_{col}") for col in string_cols])
        string_exprs.extend([pl.min(col).alias(f"min_{col}") for col in string_cols])
        string_exprs.extend([pl.col(col).mode().first().alias(f"mode_{col}") for col in string_cols])

    return date_diff_exprs + numeric_exprs + string_exprs

# 调用逻辑
df = df.group_by("case_id").agg(date_expr(df, df_base))

3. 额外优化点 #

• 避免提前全量join：原来的代码先对整个df做join会导致分组前数据膨胀，改用map_batches在聚合时关联df_base的date_decision，性能更优。
• 合并列操作：将原来两次with_columns处理日期差的逻辑合并成一个表达式，代码更简洁。

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