Polars中按行计算分位数：当前实现方式是否为推荐方案？

我有一些Polars DataFrame，需要计算行级统计量。部分统计量有专用的.list.func方法（例如list.mean），但对于没有专用方法的统计量，我认为必须使用list.eval。
示例数据如下：

import numpy as np
import polars as pl

df = pl.DataFrame({
    'a': [1,10,1,.1,.1,     np.NAN],
    'b': [2, 8,1,.2, np.NAN,np.NAN],
    'c': [3, 6,2,.3,.2,     np.NAN],
    'd': [4, 4,3,.4, np.NAN,np.NAN],
    'e': [5, 2,3,.5,.3,     np.NAN],
}, strict=False)

我写出了如下表达式：

df.select(
    pl.concat_list(
        pl.all().fill_nan(None)
    )
    .list.eval(pl.element().quantile(0.25))
    .explode()
    .alias('q1')
)

list.eval返回的是列表，因此需要调用.explode将单元素列表转为单个值，再用.alias重命名列。请问这是按行计算分位数的推荐方式吗？

你的实现方式是可行的，但有更简洁的优化方向：

• 避免explode操作：在list.eval内部直接提取结果值，无需事后展开。可以用.list.first()或者索引[0]来获取单元素列表里的值：

  df.select(
      pl.concat_list(pl.all().fill_nan(None))
      .list.eval(pl.element().quantile(0.25)).list.first()
      .alias('q1')
  )
  

• 使用row()方法（Polars 0.19.0+）：这个API是专门为行级计算设计的，语法更直观，不用手动拼接列表：

  df.select(
      pl.row(pl.all().fill_nan(None)).map_elements(
          lambda x: np.nanquantile(x, 0.25) if any(v is not None for v in x) else None
      ).alias('q1')
  )
  

  这里用np.nanquantile是因为它能自动忽略None（Polars会将None转换为numpy的nan），同时处理全空行时返回None，保证结果的一致性。

总的来说，list.eval确实是处理这类无专用list方法统计量的常规手段，而row()方法是Polars后续推出的更友好的行级计算方案，你可以根据自己使用的Polars版本和实际需求选择。

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