如何使用Python-Polars实现Power BI Desktop的动态度量定义功能？

1. 核心实现思路 #

把Power BI中"度量"的计算逻辑拆解为聚合规则+过滤条件，存储在配置文件（YAML/JSON均可）中，通过通用脚本读取配置并动态生成Polars表达式执行计算。这样修改度量无需改动代码，直接调整配置文件即可，和Power BI的度量管理逻辑对齐。

2. 配置文件设计 #

以可读性更好的YAML为例，每个度量需明确名称、聚合函数、目标计算列、过滤条件（可选）：

示例配置文件 metrics_config.yaml #

metrics:
  - name: 美国总金额
    agg_func: sum
    target_col: amount
    filter: "Country == 'USA'"
  - name: 欧盟平均金额
    agg_func: mean
    target_col: amount
    filter: "Country in ['Germany', 'France', 'UK']"

3. 代码实现步骤 #

首先安装依赖：

pip install polars pyyaml

然后编写核心计算逻辑：

import polars as pl
import yaml

# 加载度量配置文件
def load_metrics_config(config_path):
    with open(config_path, 'r', encoding='utf-8') as f:
        return yaml.safe_load(f)['metrics']

# 动态执行所有度量计算
def compute_metrics(df, metrics_config):
    expr_list = []
    for metric in metrics_config:
        # 构建基础聚合表达式，比如sum(amount)
        base_expr = getattr(pl.col(metric['target_col']), metric['agg_func'])().alias(metric['name'])
        # 如果配置了过滤条件，追加过滤逻辑
        if 'filter' in metric:
            filter_expr = pl.parse_expr(metric['filter'])
            base_expr = base_expr.filter(filter_expr)
        expr_list.append(base_expr)
    # 执行计算并返回结果
    return df.select(expr_list)

# 测试用示例数据集
sample_data = {
    'Country': ['USA', 'USA', 'Germany', 'France', 'UK'],
    'amount': [100, 200, 150, 300, 250]
}
df = pl.DataFrame(sample_data)

# 加载配置并计算度量
metric_configs = load_metrics_config('metrics_config.yaml')
result_df = compute_metrics(df, metric_configs)

print(result_df)

运行结果 #

shape: (1, 2)
┌────────────┬──────────────┐
│ 美国总金额 ┆ 欧盟平均金额 │
│ ---        ┆ ---          │
│ i64        ┆ f64          │
╞════════════╪══════════════╡
│ 300        ┆ 233.333333   │
└────────────┴──────────────┘

4. 扩展与优化 #

• 支持更多聚合函数：只要是Polars列对象支持的方法（如count/max/median），直接在配置的agg_func字段填写即可
• 复杂过滤逻辑：配置中的filter字段可写入任意合法的Polars表达式字符串，比如"Year >= 2022 and Category == 'Electronics'"
• 分组维度计算：如果需要按维度（如按国家）计算度量，可在配置中新增group_by字段，将compute_metrics中的df.select改为df.group_by(metric['group_by']).agg(expr_list)
• 自定义复杂度量：对于逻辑复杂的度量，可直接在配置中写入完整Polars表达式，示例：

  metrics:
    - name: 美国高金额订单数
      expr: "pl.col('amount').filter(pl.col('Country') == 'USA' and pl.col('amount') > 150).count().alias('美国高金额订单数')"
  

  代码中直接用pl.parse_expr(metric['expr'])替代拆分逻辑即可。

注意事项 #

配置中的过滤表达式必须符合Polars语法规范，否则pl.parse_expr会抛出语法错误。

内容的提问来源于stack exchange，提问作者Hengaini