如何在Polars中基于groupid与thresholds列对数据列执行众数聚合？

我在Polars中加载了如下格式的数据：

我的需求是：按照groupid和thresholds分组，对所有data开头的列计算众数，最终得到如下的聚合结果：

我一开始尝试用Polars的窗口函数来实现：

lf.with_column(
    col("^data[0-9]*$")
        .mode()
        .over([col("thresholds"), col("groupid")]),
)

但运行后出现了以下错误：

the length of the window expression did not match that of the group

Error originated in expression: 'col("data1").mode().over([col("thresholds"), col("groupid")])'

我还试过用over_with_options方法搭配WindowMapping::Join选项（之后再展开结果列），但在大数据集上这种方式速度太慢，而且Polars文档也提到这个操作内存开销很大。我现在不太理解这个错误到底是什么意思，也需要更高效的实现方式。

问题分析与解决方案 #

你遇到的错误核心原因是：窗口函数期望每个分组的计算结果能广播到该分组的所有行，但mode()聚合在某些情况下会返回多个值的列表（比如某个分组的data列有多个众数），这就导致了返回结果的长度和分组内的行数不匹配，从而抛出错误。

而你的需求是得到每个分组的聚合结果，最适合的方式不是用窗口函数，而是直接使用分组聚合——这也是Polars优化最充分的操作之一，效率远高于窗口函数的方式。

正确的分组聚合实现（Rust版本）

lf.group_by([col("thresholds"), col("groupid"), col("class")])
  .agg(
    col("^data[0-9]*$")
      .mode()
      .alias(|col_name| col_name.to_string()) // 保持原列名
  )

代码说明：

1. 指定分组键：通过group_by把thresholds、groupid和class作为分组依据（因为你的目标结果里class和groupid是一一对应的，必须加入分组才能得到正确的结果结构）
2. 执行众数聚合：用agg方法对所有匹配^data[0-9]*$的列执行mode()聚合，并用alias保持原列名不变
3. 高效性：分组聚合是Polars的核心优化场景，在大数据集上的内存开销和执行速度都会远优于窗口函数的方案，也不会出现长度不匹配的错误。

如果确实需要用窗口函数（给原表每行附加分组众数）

如果你需要保留原表的所有行，同时给每行添加对应分组的众数，可以对mode()的结果做处理，确保返回单个值：

lf.with_columns(
    col("^data[0-9]*$")
        .mode()
        .list() // 确保结果转为列表类型
        .first() // 取列表中的第一个众数，保证返回单个值
        .over([col("thresholds"), col("groupid")])
)

这种方式会把每个分组的众数（取第一个）广播到该分组的所有行，解决长度不匹配的问题，但还是那句话：如果你的需求只是得到分组后的聚合结果，优先用分组聚合的方案。

备注：内容来源于stack exchange，提问作者Ganrelka