如何用Polars原生表达式按条件从指定列填充前置值？

问题场景 #

现有如下Polars DataFrame：

df = pl.DataFrame(
    {
        'val': [9, 7, 9, 11, 2, 5],
        'count': [1, 2, 1, 2, 1, 2],
        'id': [1, 1, 2, 2, 3, 3],
    }
)

需要新增列prev_val，规则是：同一id分组内，取count值减1对应行的val，当count=1时（减1后无对应行）填充null，期望结果如下：

┌─────┬───────┬─────┬──────────┐
│ val ┆ count ┆ id  ┆ prev_val │
│ --- ┆ ---   ┆ --- ┆ ---      │
│ i64 ┆ i64   ┆ i64 ┆ i64      │
╞═════╪═══════╪═════╪══════════╡
│ 9   ┆ 1     ┆ 1   ┆ null     │
│ 7   ┆ 2     ┆ 1   ┆ 9        │
│ 9   ┆ 1     ┆ 2   ┆ null     │
│ 11  ┆ 2     ┆ 2   ┆ 9        │
│ 2   ┆ 1     ┆ 3   ┆ null     │
│ 5   ┆ 2     ┆ 3   ┆ 2        │
└─────┴───────┴─────┴──────────┘

试过map_rows和UDF，但Polars官方不推荐这类方法，想找原生表达式的实现方式。

原生实现方案 #

方案1：分组后用shift（适合同组内count按顺序排列的场景） #

示例里每个id下的行是按count从小到大排好的，直接对分组后的val列做shift(1)就能得到结果：

df.with_columns(
    prev_val=pl.col('val').shift(1).over('id')
)

方案2：通用关联法（适合count不连续或排序混乱的场景） #

如果同组内count不是按顺序排的，或者存在非连续的count值，可以用分组过滤的方式匹配对应值：

df.with_columns(
    prev_val=pl.col('val')
        .filter(pl.col('count') == pl.col('count') - 1)
        .first()
        .over('id')
)

或者用自关联的方式，逻辑更直观：

df.join(
    df.select(pl.col('id'), pl.col('count').alias('match_count'), pl.col('val').alias('prev_val'))
        .with_columns(match_count=pl.col('match_count') + 1),
    left_on=['id', 'count'],
    right_on=['id', 'match_count'],
    how='left'
).drop('match_count')

以上都是Polars原生表达式实现，不用依赖UDF或map_rows，性能更符合Polars的设计初衷。

内容的提问来源于stack exchange，提问作者NotAName