如何在Polars DataFrame分组中统计多列唯一组合数并返回单列

要统计每组内gender和birth_dt组合的唯一记录数，你需要把这两列作为一个整体来处理，而不是单独统计每列的唯一值。这里有两种可行的实现方式：

方式一：用结构体组合列后计算唯一值 #

result = df.group_by("ID").agg(
    pl.struct("gender", "birth_dt").n_unique().alias("unique_gender_birth_count")
)
print(result)

运行后输出：

shape: (2, 2)
┌─────┬──────────────────────────┐
│ ID  ┆ unique_gender_birth_count │
│ --- ┆ ---                      │
│ str ┆ u32                      │
╞═════╪══════════════════════════╡
│ B   ┆ 2                        │
│ A   ┆ 2                        │
└─────┴──────────────────────────┘

方式二：先去重组合列再分组计数 #

# 先保留ID+gender+birth_dt的唯一组合，再按ID统计数量
result = df.unique(subset=["ID", "gender", "birth_dt"]).group_by("ID").agg(
    pl.count().alias("unique_gender_birth_count")
)
print(result)

这个方法的输出和方式一完全一致。

为什么之前的代码不对？ #

• 你尝试的第一种代码：col("gender", "birth_dt").unique().count().over("ID") 是分别对gender和birth_dt列单独计算唯一值数量，再把结果按ID广播到每一行，所以得到的是每列各自的唯一值数，不是两列组合的唯一组数。
• 第二种代码：col("gender", "birth_dt").n_unique() 本质上是对每列单独调用n_unique()方法，统计的是每列自身的唯一值数量，而非两列组合后的唯一记录数。

内容的提问来源于stack exchange，提问作者NedDasty