Polars中如何按组筛选匹配项并提取最高分对应值

Polars是一款基于Rust开发的高性能Python数据处理库，在处理大规模结构化数据时性能表现优异。很多数据分析场景中，我们需要先按某个字段分组，再在组内筛选符合特定条件的记录，最后提取每组中分数最高的一条对应的目标值，这类需求用Polars可以高效实现。

基础数据准备

首先我们需要构造示例数据，模拟常见的业务场景数据，包含分组字段、匹配条件字段、分数字段和目标值字段。以下是构造示例数据的代码：

import polars as pl

# 构造示例数据
data = {
    "group_id": ["A", "A", "A", "B", "B", "B", "C", "C"],
    "match_flag": [1, 0, 1, 1, 1, 0, 0, 1],
    "score": [85, 90, 78, 92, 88, 76, 89, 95],
    "target_value": ["val_a1", "val_a2", "val_a3", "val_b1", "val_b2", "val_b3", "val_c1", "val_c2"]
}
df = pl.DataFrame(data)
print("原始数据：")
print(df)

按组筛选匹配项并提取最高分对应值

方法一：使用group_by结合filter和max

首先按group_id分组，然后在每个组内筛选match_flag为1的记录，再找到这些记录中score最高的那条，提取对应的target_value。代码如下：

result = (
    df.group_by("group_id")
    .agg(
        # 筛选组内match_flag为1的记录
        pl.col("target_value").filter(pl.col("match_flag") == 1)
        # 按score降序排序，取第一个值即最高分对应的target_value
        .sort_by(pl.col("score"), descending=True)
        .first()
        .alias("max_score_target")
    )
)
print("方法一结果：")
print(result)

方法二：先全局筛选再分组处理

也可以先全局筛选出match_flag为1的记录，再按group_id分组取每个组的最高分对应值，这种方式在匹配项较少时性能更优。代码如下：

# 先筛选匹配项
filtered_df = df.filter(pl.col("match_flag") == 1)
# 按组取最高分对应的目标值
result2 = (
    filtered_df.group_by("group_id")
    .agg(
        pl.col("target_value")
        .sort_by(pl.col("score"), descending=True)
        .first()
        .alias("max_score_target")
    )
)
print("方法二结果：")
print(result2)

结果验证与说明

上述两种方法的输出结果一致，以方法一为例，输出内容如下：

shape: (3, 2)
┌──────────┬──────────────────┐
│ group_id ┆ max_score_target │
│ ---      ┆ ---              │
│ str      ┆ str              │
╞══════════╪══════════════════╡
│ A        ┆ val_a1           │
│ B        ┆ val_b1           │
│ C        ┆ val_c2           │
└──────────┴──────────────────┘

结果说明：

• 组A中match_flag为1的记录是第一条和第三条，分数分别为85和78，最高分85对应target_value为val_a1
• 组B中match_flag为1的记录是第一条和第二条，分数分别为92和88，最高分92对应target_value为val_b1
• 组C中match_flag为1的记录是第二条，分数95对应target_value为val_c2

性能对比与选择建议

两种方法的适用场景不同：

• 如果大部分分组都有匹配项，方法一的分组后筛选逻辑更直观，代码可读性更高
• 如果匹配项占比很低，方法二先全局筛选可以减少后续分组处理的数据量，性能更优

当数据量达到百万级以上时，建议通过实际测试选择更适合当前数据特征的方法。如果需要在提取最高分对应值的同时保留其他字段，可以在agg中添加更多字段的提取逻辑，例如同时提取最高分本身：

result3 = (
    df.group_by("group_id")
    .agg(
        pl.col("target_value").filter(pl.col("match_flag") == 1)
        .sort_by(pl.col("score"), descending=True)
        .first()
        .alias("max_score_target"),
        pl.col("score").filter(pl.col("match_flag") == 1)
        .max()
        .alias("max_score")
    )
)
print("带最高分的结果：")
print(result3)

PolarsDataFramegroup_byfiltermax_score修改时间：2026-07-14 13:45:40