如何设置种子使Polars中sample与map_groups组合后行序一致？

原因 #

在Polars v0.19.3中，group_by().map_groups()的分组遍历顺序默认是不确定的——这是因为Polars会并行调度分组处理，线程池的任务调度随机性不受全局随机种子pl.set_random_seed(0)或sample()的seed参数控制。即使每个分组内部的sample结果因固定种子保持一致，分组之间的输出顺序仍会随机变化，最终导致整个grouped_df的行序每次运行都不同。

另外你最初怀疑的pl.read_csv()并行读取不会改变行序——Polars的并行CSV读取是按块读取后拼接，行序和原文件完全一致，所以这个方向的排查是错误的。

高效固定行序的方法（无需排序） #

方法1：关闭map_groups的并行处理 #

直接在map_groups中设置parallel=False，强制Polars按固定顺序遍历分组，结合sample()的固定种子，就能保证最终结果的行序完全一致。

示例代码：

import polars as pl

pl.set_random_seed(0)

def sample_group(df: pl.DataFrame) -> pl.DataFrame:
    num_rows = len(df)
    n = 5  # 假设你要采样的数量
    return df.sample(min(n, num_rows), seed=0)

# 关闭并行处理
result = df.group_by('fullmtype', 'etype').map_groups(sample_group, parallel=False)

这个方法不需要额外排序操作，性能损失极小（分组数量不多时几乎可忽略），是最直接高效的解决方案。

方法2：固定分组遍历顺序（保留并行） #

如果必须保留并行处理，可以先给原数据按分组键做一次稳定的顺序标记，确保分组的遍历顺序固定。这个方法需要额外列操作，但仍比全量排序高效：

示例代码：

# 先给每个分组分配固定的顺序ID
df = df.with_row_index().sort(['fullmtype', 'etype', 'index']).drop('index')

# 再执行group_by和map_groups
result = df.group_by('fullmtype', 'etype').map_groups(sample_group)

这里利用with_row_index()和分组键排序，让原数据的分组顺序固定，后续并行处理时分组的输出顺序也会保持一致。

内容的提问来源于stack exchange，提问作者anilbey