Polars中Categorical列转整数出现异常映射？原因与解决办法

问题背景 #

你在Polars中通过qcut生成了名为decile的Categorical列，标签为q10、q09...q01（对应逻辑上的10到1分位数）。但直接用pl.col('decile').cast(pl.Int8)转换时，结果变成了0-9的整数，和标签里的数值（10-1）完全不符——这是因为Categorical转数值时，取的是类别在内部的索引（从0开始），而非标签文本里的数字。

你的最小可复现代码：

import numpy as np
import polars as pl

size = 1e3
df = pl.DataFrame({
    "id": np.random.randint(50, size=int(size), dtype=np.uint16),
    "amount": np.round(np.random.uniform(10, 100000, int(size)).astype(np.float32), 2),
    "quantity": np.random.randint(1, 7, size=int(size), dtype=np.uint16),
})
df = (df
      .group_by("id")
      .agg(revenue=pl.sum("amount"), tot_quantity=pl.sum("quantity"))
     )
df = (df.with_columns(
    pl.col('revenue')
    .qcut(10, labels=[f'q{i:02}' for i in range(10, 0, -1)])
    .alias("decile")
))

解决方案 #

方法1：先转字符串再提取数字转换 #

直接将Categorical转为字符串，提取标签中的数字部分后再转整数：

df = df.with_columns(
    # 提取标签中的数字，转Int8
    pl.col('decile').cast(pl.String).str.extract(r'(\d+)').cast(pl.Int8).alias('decile_num')
)

方法2：通过类别映射转换 #

先获取Categorical的所有类别标签，创建标签到目标数值的映射字典，再批量替换：

# 获取所有类别标签
cat_labels = df['decile'].cat.get_categories()
# 构建映射：qxx → xx对应的整数
label_map = {label: int(label.lstrip('q')) for label in cat_labels}

df = df.with_columns(
    pl.col('decile').map_dict(label_map).alias('decile_num')
)

方法3：在qcut阶段直接生成数值标签 #

如果不需要保留字符串格式的分位数标签，可以直接在qcut时指定数值型标签，一步到位：

df = df.with_columns(
    pl.col('revenue')
    .qcut(10, labels=list(range(10, 0, -1)))  # 直接用10到1的整数作为标签
    .alias("decile")
)

如果需要同时保留字符串和数值标签，可以生成两列：

df = df.with_columns(
    decile_str=pl.col('revenue').qcut(10, labels=[f'q{i:02}' for i in range(10, 0, -1)]),
    decile_num=pl.col('revenue').qcut(10, labels=list(range(10, 0, -1)))
)

关键原因说明 #

Polars的Categorical类型本质是用整数索引映射类别标签，当直接cast为数值类型时，返回的是类别在内部的索引值（从0开始），而非标签文本中的数字。你的decile列类别顺序是['q10', 'q09', ..., 'q01']，所以索引0对应q10，索引9对应q01，直接转换就会得到0-9的结果，和预期不符。

内容的提问来源于stack exchange，提问作者Omar AlSuwaidi