17370845950

在 polars 中，`mean()` 默认不忽略 nan，需显式调用 `drop_nans()` 或 `fill_nan(none)` 预处理，二者语义等价但性能表现随数据规模和分组数变化；推荐优先使用 `fill_nan(none).mean()` 以获得更优并行效率。

Polars 的聚合函数（如 pl.col("values").mean()）默认将 NaN 视为有效值参与计算——一旦组内存在任意 NaN，整组均值即返回 NaN，这与 Pandas 的 nanmean 行为不一致。要实现“忽略 NaN 求均值”，最简洁、高效且符合 Polars 原生范式的方式是在聚合前清除 NaN 语义干扰，而非依赖 Python 层的 map_elements（因其破坏查询优化、无法向量化、严重拖慢性能）。

✅ 推荐方案：fill_nan(None).mean()
这是目前最优实践。fill_nan(None) 将 NaN 替换为 null（Polars 的缺失值原生表示），而 mean() 对 null 值天然跳过（无需额外配置）：

import polars as pl
import numpy as np

test_data = pl.DataFrame({
    "group": ["A", "A", "B", "B"],
    "values": [1.0, np.nan, 2.0, 3.0]
})

result = test_data.group_by("group").agg(
    pl.col("values").fill_nan(None).mean().alias("mean_ignore_nan")
)
print(result)

输出：

shape: (2, 2)
┌───────┬────────────────┐
│ group ┆ mean_ignore_nan │
│ ---   ┆ ---             │
│ str   ┆ f64             │
╞═══════╪═════════════════╡
│ A     ┆ 1.0             │
│ B     ┆ 2.5             │
└───────┴─────────────────┘

⚠️ 替代方案：drop_nans().mean() 同样正确，但实测在大数据量（如亿级行）下略慢于 fill_nan(None)。其原理是物理删除 NaN 元素后再计算，而 fill_nan(None) 仅做标记替换，更利于底层内存布局优化与多线程调度。

? 性能关键洞察：

• 在 1 亿行、20% NaN、少量分组 场景下，fill_nan(None).mean() 比 drop_nans().mean() 快约 1.6×（737ms vs 1210ms）；
• 但当分组数急剧增加（如数千组），drop_nans() 的并行粒度优势可能反超——建议在实际业务数据上用 %timeit 验证；
• 二者结果完全一致，且均远快于 map_elements(lambda x: np.nanmean(x.to_numpy()))（后者在亿级数据上可能慢 10–100 倍）。

? 注意事项：

• fill_nan(None) 仅影响当前表达式链，不修改原始列；
• 若列中同时存在 null 和 NaN，fill_nan(None) 会将 NaN 转为 null，之后 mean() 自动统一忽略所有 null；
• 确保数值列类型为浮点型（如 f64），整型列无法存储 NaN，需先 cast(pl.Float64)；
• 使用 maintain_order=True 可保留分组输出顺序，便于调试或下游确定性消费。

总之，摒弃 map_elements，拥抱 fill_nan(None).mean() —— 它是 Polars 原生、可优化、高性能且语义清晰的标准解法。