如何在Polars DataFrame中以聚合函数为索引生成便于跨月份对比的汇总视图

嘿，这个需求太实用了——当数据集变大、聚合指标变多的时候，横向对比不同月份的数值确实比原来的长格式清晰多了！其实你不用搞什么辅助DataFrame，用Polars自带的melt+pivot组合就能轻松实现，我给你一步步演示：

完整实现代码 #

我们可以把整个流程链式写在一起，既简洁又高效：

import polars as pl

df = pl.DataFrame({
    "Channel": ["X", "X", "Y", "Y", "X", "X", "Y", "Y", "X", "X", "Y", "Y", "X", "X", "Y", "Y"],
    "ID": ["a", "b", "b", "a", "e", "b", "g", "h", "a", "a", "k", "a", "b", "n", "o", "p"],
    "Month": ["1", "2", "1", "2", "1", "2", "1", "2", "1", "2", "1", "2", "1", "2", "1", "2"]
})

result = (
    # 第一步：完成基础的分组聚合，和你原来的逻辑一致
    df.group_by(["Month", "Channel"])
    .agg(
        pl.col("ID").n_unique().alias("Uniques ID"),
        pl.col("ID").len().alias("Total sends")
        # 这里可以加任意多的聚合函数，比如pl.col("ID").sum().alias("Total XX")之类的
    )
    # 第二步：把宽格式的聚合列转成长格式，生成聚合函数名称列和对应值列
    .melt(id_vars=["Month", "Channel"], variable_name="agg_func", value_name="value")
    # 第三步：将月份转成列，以渠道和聚合函数作为行索引
    .pivot(index=["Channel", "agg_func"], columns="Month", values="value")
    # 可选：按渠道和聚合函数排序，让结果更规整
    .sort("Channel", "agg_func")
)

print(result)

执行结果 #

输出的格式完全符合你的预期，完美支持跨月份对比：

shape: (4, 4)
┌─────────┬─────────────┬──────┬──────┐
│ Channel ┆ agg_func    ┆ 1    ┆ 2    │
│ ---     ┆ ---         ┆ ---  ┆ ---  │
│ str     ┆ str         ┆ u32  ┆ u32  │
╞═════════╪═════════════╪══════╪══════╡
│ X       ┆ Total sends ┆ 4    ┆ 4    │
│ X       ┆ Uniques ID  ┆ 3    ┆ 3    │
│ Y       ┆ Total sends ┆ 4    ┆ 4    │
│ Y       ┆ Uniques ID  ┆ 4    ┆ 3    │
└─────────┴─────────────┴──────┴──────┘

关键步骤解释 #

1. melt转换：把原来宽格式的Uniques ID、Total sends这类聚合列，拆成agg_func（聚合函数名称）和value（对应数值）两列，这样每个渠道-月份-聚合指标的组合都变成一行，为后续的pivot做准备。
2. pivot重塑：以Channel和agg_func作为行标识，把Month的不同取值转成列，直接把对应月份的数值填充进去，最终得到你想要的横向对比格式。

最棒的是，哪怕你后续加更多聚合函数，这个代码完全不用改——melt会自动识别所有非id列的聚合指标，非常适合你的大型数据集场景！

备注：内容来源于stack exchange，提问作者Simon