如何用Polars DataFrame判断浮点值是否落在区间型分类值内

问题根源 #

你用is_in配合pl.Categorical的思路完全偏离了需求：

• pl.Categorical只是把字符串转成分类枚举类型，本质还是离散的字符串值；
• is_in的作用是判断某个值是否存在于另一组离散集合中，根本没法处理“数值落在区间内”的逻辑，所以才会全返回False。

正确解法 #

要实现需求，核心是解析每个区间字符串为数值边界，再逐行判断数值是否符合区间规则。

通用版（支持多种区间格式） #

如果你的区间有不同的开闭类型（比如(x,y]、[x,y)、[x,y]等），可以用下面的代码：

import polars as pl

df = pl.DataFrame({
    "real_value": [0.5, 2.7, 3.9],
    "categorical_value": ["(0,1.1]", "(1.1,2.6]", "(2.6,4.5]"]
})

# 解析区间信息
df = df.with_columns(
    # 提取区间内的数字，转为浮点数列表
    pl.col("categorical_value").str.extract_all(r"\d+\.?\d*").cast(pl.Float64).alias("bounds"),
    # 获取左括号类型
    pl.col("categorical_value").str.slice(0, 1).alias("left_bracket"),
    # 获取右括号类型
    pl.col("categorical_value").str.slice(-1, 1).alias("right_bracket")
).with_columns(
    # 拆分上下限
    pl.col("bounds").list.get(0).alias("lower_bound"),
    pl.col("bounds").list.get(1).alias("upper_bound")
).with_columns(
    # 根据区间开闭规则判断
    pl.when(
        (pl.col("left_bracket") == "(") & (pl.col("right_bracket") == "]")
    ).then(
        (pl.col("real_value") > pl.col("lower_bound")) & (pl.col("real_value") <= pl.col("upper_bound"))
    ).when(
        (pl.col("left_bracket") == "[") & (pl.col("right_bracket") == ")")
    ).then(
        (pl.col("real_value") >= pl.col("lower_bound")) & (pl.col("real_value") < pl.col("upper_bound"))
    ).when(
        (pl.col("left_bracket") == "[") & (pl.col("right_bracket") == "]")
    ).then(
        (pl.col("real_value") >= pl.col("lower_bound")) & (pl.col("real_value") <= pl.col("upper_bound"))
    ).when(
        (pl.col("left_bracket") == "(") & (pl.col("right_bracket") == ")")
    ).then(
        (pl.col("real_value") > pl.col("lower_bound")) & (pl.col("real_value") < pl.col("upper_bound"))
    ).alias("is_in_cat")
).drop("bounds", "left_bracket", "right_bracket", "lower_bound", "upper_bound")  # 清理临时列

print(df)

简化版（仅左开右闭格式） #

如果你的区间格式统一为(x,y]这种左开右闭类型，代码可以大幅简化：

import polars as pl

df = pl.DataFrame({
    "real_value": [0.5, 2.7, 3.9],
    "categorical_value": ["(0,1.1]", "(1.1,2.6]", "(2.6,4.5]"]
})

df = df.with_columns(
    # 提取区间数字并转为浮点数列表
    pl.col("categorical_value").str.extract_all(r"\d+\.?\d*").cast(pl.Float64).alias("bounds")
).with_columns(
    # 直接判断左开右闭条件
    (pl.col("real_value") > pl.col("bounds").list.get(0)) & 
    (pl.col("real_value") <= pl.col("bounds").list.get(1)).alias("is_in_cat")
).drop("bounds")

print(df)

运行上述代码后，is_in_cat列会得到你预期的[True, False, True]结果。

内容的提问来源于stack exchange，提问作者Carlitos Overflow