如何确保多模块中Polars DataFrame共用同一字符串缓存？

问题背景 #

在多模块结构的Polars项目中，若模块在导入阶段就创建了带pl.Category类型的DataFrame，后续开启全局字符串缓存后，跨模块Join这些DataFrame时会触发错误：

exceptions.ComputeError: joins/or comparisons on categoricals can only happen if they were created under the same global string cache

这是因为模块导入时（早于pl.toggle_string_cache(True)执行）创建的Categorical列，与缓存开启后操作的DataFrame不在同一缓存上下文。直接调整导入顺序违反“import放在代码开头”的规范，需要更优雅的解决方案。

优雅解决方案 #

方案1：延迟加载DataFrame（推荐） #

将模块内的DataFrame创建逻辑封装为函数，避免模块导入时自动初始化，而是在缓存开启后主动调用生成。

修改A.py：

import polars as pl

def get_df_A():
    return pl.DataFrame({
        'A': pl.Series(['a', 'b', 'c'], dtype=pl.Category)
    })

修改B.py：

import polars as pl

def get_df_B():
    return pl.DataFrame({
        'A': pl.Series(['a', 'b', 'c'], dtype=pl.Category),
        'B': pl.Series(['d', 'e', 'f'], dtype=pl.Category)
    })

__init__.py保持import在开头，开启缓存后生成DataFrame：

import polars as pl
from . import A, B

pl.toggle_string_cache(True)

df_A = A.get_df_A()
df_B = B.get_df_B()
df_C = df_A.join(df_B, on='A')

方案2：模块级初始化函数 #

如果需要模块内保留全局DataFrame变量，可通过初始化函数控制创建时机。

修改A.py：

import polars as pl

df_A = None

def init():
    global df_A
    df_A = pl.DataFrame({
        'A': pl.Series(['a', 'b', 'c'], dtype=pl.Category)
    })

修改B.py：

import polars as pl

df_B = None

def init():
    global df_B
    df_B = pl.DataFrame({
        'A': pl.Series(['a', 'b', 'c'], dtype=pl.Category),
        'B': pl.Series(['d', 'e', 'f'], dtype=pl.Category)
    })

__init__.py中开启缓存后触发模块初始化：

import polars as pl
from . import A, B

pl.toggle_string_cache(True)
A.init()
B.init()

df_C = A.df_A.join(B.df_B, on='A')

核心逻辑 #

所有需要参与跨模块Join/比较的pl.Category列，必须在同一全局字符串缓存开启的上下文中创建。通过延迟初始化或主动触发初始化，既能遵守import规范，又能保证缓存上下文的一致性。

内容的提问来源于stack exchange，提问作者NedDasty