Polars分组聚合将分类值计数转独立列并计算总计的方法

你需要的是分组后将分类列的取值转为独立列统计频次，再计算总和，有两种简洁实现方式：

方案1：使用pivot透视函数（最适配场景） #

pivot是专门处理行转列统计的函数，不需要额外做长表转宽表的二次处理，直接一步完成分组计数：

import polars as pl

df = pl.DataFrame({
    'ID': [0, 0,1, 1, 1, 0], 
    'Type': ['Fire', 'Fire', 'Fire', 'Water', 'Water', 'Water'], 
})

result = df.pivot(
    values="Type",
    index="ID",
    columns="Type",
    aggregate_function="count"
).with_columns(
    total = pl.col("Fire") + pl.col("Water")
# 如果需要列名和示例一致为全小写，加下面这行
# ).rename({"Fire":"fire", "Water":"water"})
)

print(result)

参数说明：

• index="ID"：指定ID作为分组维度，作为结果的行标识
• columns="Type"：将Type列的唯一取值（Fire、Water）拆分为独立列
• aggregate_function="count"：对每个分组下的分类值做计数统计
• 后续通过with_columns新增total列，直接求和两个分类的计数即可得到总条数

方案2：group_by聚合时直接条件计数 #

如果你更习惯group_by的写法，可以在聚合阶段直接按条件过滤计数，不需要生成中间长表结果：

result = df.group_by("ID").agg(
    fire = pl.col("Type").filter(pl.col("Type") == "Fire").count(),
    water = pl.col("Type").filter(pl.col("Type") == "Water").count()
).with_columns(
    total = pl.col("fire") + pl.col("water")
)

两种方法最终输出的结果和你给出的预期结构完全一致：

shape: (2, 4)
┌─────┬──────┬───────┬───────┐
│ ID  ┆ fire ┆ water ┆ total │
│ --- ┆ ---  ┆ ---   ┆ ---   │
│ i64 ┆ u32  ┆ u32   ┆ u32   │
╞═════╪══════╪═══════╪═══════╡
│ 0   ┆ 2    ┆ 1     ┆ 3     │
│ 1   ┆ 1    ┆ 2     ┆ 3     │
└─────┴──────┴───────┴───────┘

内容的提问来源于stack exchange，提问作者supersick