Polars如何基于字符串值列表筛选Categorical分类列

出现这个现象的核心原因是Polars的Categorical类型本质是用整数做物理存储、靠内置字典映射回字符串显示的类型，默认情况下每个Categorical列的字典是独立的，直接给isin()传入裸字符串列表时，Polars不会自动把字符串映射到当前列的分类字典编码，会判定值类型不匹配，最终返回空结果。
注意：直接传入底层整数编码匹配的写法非常不推荐，分类对应的整数编码会随着字典生成顺序、缓存配置变化，很容易出现隐蔽的逻辑错误。

可行的实现方案如下：

• 方案1：将待匹配的字符串列表转为同类型Categorical后传入（性能最优，推荐大数据集使用）
  只需要把待匹配的字符串列表先封装为Series、转成Categorical类型，Polars会自动对齐分类映射完成匹配：

  import polars as pl
  
  df = pl.DataFrame({"a": ["foo", "bar", "ham"]}).select(pl.col('a').cast(pl.Categorical))
  # 核心是把待匹配值转成Categorical类型
  result = df.filter(
      pl.col("a").isin(pl.Series(["foo"]).cast(pl.Categorical))
  )
  

  运行后会正确返回a列值为foo的行。
  如果代码里大量用到Categorical类型的匹配，可以开启全局字符串缓存，保证所有Categorical值的编码统一，就不需要每次手动对齐类型：

  # 开启全局字符串缓存后，所有Categorical的编码映射全局统一
  pl.enable_string_cache()
  
  df = pl.DataFrame({"a": ["foo", "bar", "ham"]}).select(pl.col('a').cast(pl.Categorical))
  # 此时直接转Categorical传入不会出现编码不匹配问题
  result = df.filter(pl.col("a").isin(pl.Series(["foo"]).cast(pl.Categorical)))
  

• 方案2：临时将分类列转为字符串类型后匹配（写法最简单，适合小数据集快速开发）
  不需要处理类型映射逻辑，直接把目标列临时转成字符串类型再做isin判断，逻辑直观不容易写错：

  result = df.filter(
      pl.col("a").cast(pl.Utf8).isin(["foo"])
  )
  

  这个写法的缺点是会损失Categorical类型的性能优势，数据量特别大的时候运行效率比方案1低。

内容的提问来源于stack exchange，提问作者supersick