如何在Polars中先分组再执行交叉连接并计算唯一组合差价？

直接上可运行的代码，完美实现按garment分组、组内交叉连接、保留唯一组合并计算价格差的需求：

import polars as pl

df = pl.DataFrame(
    {
        "garment": ["tshirt", "tshirt", "tshirt", "pants", "pants", "pants", "socks", "socks", "socks"],
        "color": ["red", "blue", "green", "yellow", "orange", "purple", "black", "white", "grey"],
        "price": [100, 50, 75, 101, 51, 69, 99, 44, 32]
    }
)

result = df.group_by("garment").map_groups(
    lambda group: group.join(group, how="cross")
    # 过滤自连接+保留唯一组合：仅保留字典序左小右大的组合
    .filter(pl.col("color") < pl.col("color_right"))
    .with_columns(
        pl.col("price").sub(pl.col("price_right")).abs().alias("price_difference")
    )
    # 可选：调整列顺序让输出更清晰
    .select("garment", "color", "color_right", "price", "price_right", "price_difference")
)

print(result)

关键逻辑拆解 #

1. 分组批量处理：
   用group_by("garment").map_groups()自动遍历所有服装分组，每个分组独立执行交叉连接逻辑，不用手动逐个过滤分组。

2. 唯一组合过滤：
   把原逻辑的color != color_right替换为color < color_right，利用字符串的字典序特性：

   • 自动排除自连接（同一个color不可能小于自身）
   • 仅保留单向组合（比如只留orange-yellow，不会出现yellow-orange）

3. 价格差计算：
   用Polars的向量化函数sub()替代减法运算符，配合abs()计算绝对值差，性能比循环更优。

额外说明 #

• 如果你的color字段不是字符串（比如数字、枚举），只要类型支持比较运算，color < color_right的逻辑完全通用；
• 交叉连接会产生n*(n-1)/2条数据（n为分组内行数），大分组场景下注意内存占用；
• 可根据需求调整select()里的列顺序，或者添加/删除字段。

内容的提问来源于stack exchange，提问作者Paul