Polars-Python：用列值作字典键报错TypeError，求助

问题代码 #

df_x = (
    df_x
    .filter(pl.col("score") == nested_dict[pl.col("cliente")][pl.col("cluster")])
)

问题描述 #

想要用DataFrame的列值作为嵌套字典的键，但运行代码时触发错误：TypeError: unhashable type: 'Expr'

错误原因 #

Polars的pl.col()返回的是表达式对象（Expr），属于延迟计算的抽象对象，并非具体的列值。而Python字典要求键必须是可哈希类型（如字符串、数字），直接用表达式当字典键自然会报错。

解决方案 #

方案1：用map_elements逐行取值（适合小数据集）

通过map_elements将每行的cliente和cluster具体值传入字典，获取对应的score阈值后与原score列比较：

df_x = df_x.filter(
    pl.col("score") == pl.struct(["cliente", "cluster"]).map_elements(
        lambda row: nested_dict[row["cliente"]][row["cluster"]],
        return_dtype=pl.Int64  # 根据你的score实际类型调整
    )
)

方案2：字典转DataFrame后关联（适合大数据集，性能更优）

把嵌套字典展开为二维结构的DataFrame，通过join关联原表后再过滤匹配行，这种方法避免逐行计算，性能更高效：

# 展开嵌套字典为标准DataFrame
dict_df = pl.DataFrame(
    [(cliente, cluster, score) 
     for cliente, clusters in nested_dict.items() 
     for cluster, score in clusters.items()],
    schema=["cliente", "cluster", "target_score"]
)

# 关联原表并过滤匹配行
df_x = df_x.join(dict_df, on=["cliente", "cluster"]).filter(pl.col("score") == pl.col("target_score"))

内容的提问来源于stack exchange，提问作者nyahm