如何在Rust的Polars中为每行计算EBIT列的均值与标准差？

核心思路 #

要实现行级的均值和标准差计算，关键是使用Polars提供的水平聚合函数（针对行维度计算的函数），替代之前按列统计或手动求和的方式。同时先筛选出所有符合前缀条件的目标列，再对这些列执行行级计算。

步骤1：筛选目标列 #

首先从输入DataFrame中提取所有列名以"Sum of EBIT [CY 2"开头的列，转换为Expr列表供后续计算使用：

use polars::prelude::*;

fn industry_beta_f(mut raw_data: DataFrame, marginal_tax_rate: Expr) -> PolarsResult<DataFrame> {
    // 筛选所有以指定前缀开头的列
    let ebit_cols: Vec<Expr> = raw_data
        .get_column_names()
        .iter()
        .filter(|name| name.starts_with("Sum of EBIT [CY 2"))
        .map(|name| col(name))
        .collect();

    // 后续计算逻辑...
    Ok(raw_data)
}

步骤2：优化行级均值计算 #

替换手动求和除以10的方式，使用Polars内置的mean_horizontal函数，它会自动对每行的目标列计算均值，无需硬编码列数（即使后续年份数量变化也能兼容）：

// 添加行级均值列
raw_data = raw_data.with_column(
    mean_horizontal(&ebit_cols)
        .alias("Average operating income (last 10 years)")
)?;

步骤3：实现行级标准差计算 #

使用Polars的std_horizontal函数，指定自由度参数ddof（通常样本标准差用ddof=1，总体标准差用ddof=0，根据你的业务场景选择），实现行维度的标准差计算：

// 添加行级标准差列
raw_data = raw_data.with_column(
    std_horizontal(&ebit_cols)
        .ddof(1)
        .alias("Standard deviation in operating income (last 10 years)")
)?;

完整函数示例 #

整合所有逻辑后的完整函数：

use polars::prelude::*;

fn industry_beta_f(mut raw_data: DataFrame, marginal_tax_rate: Expr) -> PolarsResult<DataFrame> {
    // 筛选目标EBIT列
    let ebit_cols: Vec<Expr> = raw_data
        .get_column_names()
        .iter()
        .filter(|name| name.starts_with("Sum of EBIT [CY 2"))
        .map(|name| col(name))
        .collect();

    // 计算行级均值并添加新列
    raw_data = raw_data.with_column(
        mean_horizontal(&ebit_cols)
            .alias("Average operating income (last 10 years)")
    )?;

    // 计算行级标准差并添加新列（使用样本标准差ddof=1）
    raw_data = raw_data.with_column(
        std_horizontal(&ebit_cols)
            .ddof(1)
            .alias("Standard deviation in operating income (last 10 years)")
    )?;

    // 保留原有的marginal_tax_rate相关逻辑（如果有的话）
    // ...

    Ok(raw_data)
}

关键说明 #

• 水平聚合函数（mean_horizontal/std_horizontal）是Polars专门为行维度计算设计的API，比手动求和/统计更高效且不易出错。
• 避免硬编码列数（比如除以10），使用内置函数能自动适配目标列数量的变化，提升代码鲁棒性。
• ddof参数的选择：如果你的数据是总体的全部样本，用ddof=0；如果是抽样数据，用ddof=1（默认值通常为1，可根据业务调整）。

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