完全懂你的困扰！从Pandas转Polars的时候，确实会觉得有些操作的语法落差有点大——就像你说的，Pandas一行pd_df.groupby('group').value.describe()就能搞定的事，Polars一开始写起来居然要那么多代码，太不友好了😅

下面给你几种更简洁易读的写法，帮你实现同样的效果：

写法一：简化原有的map_groups逻辑 #

我们可以把你原来的代码精简一下，去掉冗余的括号，用更安全的first()方法获取分组标识，整体清爽很多：

pl_df.group_by('group').map_groups(
    lambda g: g['value'].describe().with_columns(group=g['group'].first())
).pivot(index='group', on='statistic', values='value')

写法二：用agg+展开的方式（更符合Polars风格） #

这种写法不用lambda，而是通过聚合、展开、透视的组合来实现，逻辑更连贯：

(
    pl_df
    .group_by('group')
    .agg(pl.col('value').describe().alias('stats'))
    .explode('stats')
    .unnest('stats')
    .pivot(index='group', on='statistic', values='value')
)

写法三：直接指定统计量（性能最优） #

如果你不需要describe()返回的全部统计量，或者追求更好的性能，可以直接在agg里列出需要的统计指标——这种方式是向量化操作，比逐组处理的map_groups效率更高：

(
    pl_df
    .group_by('group')
    .agg(
        pl.col('value').count().alias('count'),
        pl.col('value').mean().alias('mean'),
        pl.col('value').std().alias('std'),
        pl.col('value').min().alias('min'),
        pl.col('value').quantile(0.25).alias('25%'),
        pl.col('value').median().alias('50%'),
        pl.col('value').quantile(0.75).alias('75%'),
        pl.col('value').max().alias('max')
    )
)

目前Polars还没有像Pandas那样直接groupby.describe()的极简语法，但上面这些写法已经比你原来的实现简洁不少，而且可读性也更强。如果是追求和Pandas输出完全一致的结果，前两种写法都能满足需求；如果看重性能，第三种写法会更合适。

备注：内容来源于stack exchange，提问作者jcaliz