引言：按组计算时间差的挑战
在数据分析任务中，我们经常需要处理时间序列数据，并计算同一组内连续事件之间的时间间隔。例如，在用户行为分析中，可能需要计算每个用户两次会话之间的时间差。当数据量庞大时，如何高效地完成这项任务成为一个关键问题。传统的迭代或使用 map、apply 等高级函数的方法在 polars 这样的高性能数据帧库中往往效率低下，因为它无法充分利用 polars 底层的优化能力。
本教程将展示如何使用 Polars 的声明式表达式 API，特别是其强大的 over() 窗口函数，以一种高效且符合 Polars 最佳实践的方式解决这一问题。
Polars 解决方案：利用 over() 窗口函数
Polars 提供了一个名为 over() 的窗口函数，它允许我们在指定的组（partition）内执行聚合或转换操作，而无需显式地使用 group_by()。这对于像计算组内行间差异这样的任务非常有效。
核心思路是：
- 对时间戳列应用 diff() 函数，计算相邻行之间的时间差。
- 将时间差转换为总秒数（或其他所需单位）。
- 使用 over("ID") 将上述操作限制在每个唯一的 ID 组内执行。
- 处理每个组的第一个元素，其 diff() 结果为 null，通常将其填充为 0。
下面是具体的实现步骤和代码示例：
1. 准备数据
首先，我们创建一个示例 DataFrame，其中包含 ID 和 Timestamp 列。为了确保时间戳能够正确计算，我们需要将其转换为 Polars 的日期时间类型。
import polars as pl
import pandas as pd
# 创建示例 Pandas DataFrame
data = {
'ID': ['A', 'A', 'A', 'B', 'B', 'B'],
'Timestamp': ['2023-01-01 10:00:00', '2023-01-01 10:30:00' ,'2023-01-01 11:00:00', '2023-01-01 12:00:00', '2023-01-01 12:30:00', '2023-01-01 13:00:00']
}
df_pd = pd.DataFrame(data)
# 转换为 Polars DataFrame 并确保 Timestamp 为日期时间类型
sessions_features = pl.from_pandas(df_pd).with_columns(
pl.col("Timestamp").str.to_datetime()
)
print("原始 Polars DataFrame:")
print(sessions_features)输出：
原始 Polars DataFrame: shape: (6, 2) ┌─────┬─────────────────────┐ │ ID ┆ Timestamp │ │ --- ┆ --- │ │ str ┆ datetime[μs] │ ╞═════╪═════════════════════╡ │ A ┆ 2023-01-01 10:00:00 │ │ A ┆ 2023-01-01 10:30:00 │ │ A ┆ 2023-01-01 11:00:00 │ │ B ┆ 2023-01-01 12:00:00 │ │ B ┆ 2023-01-01 12:30:00 │ │ B ┆ 2023-01-01 13:00:00 │ └─────┴─────────────────────┘
2. 使用 over() 计算时间差
现在，我们使用 with_columns() 结合 over() 来创建新的 time_between_sessions 列。
sessions_with_time_diff = sessions_features.with_columns(
pl.col("Timestamp")
.diff() # 计算当前行与上一行的时间差
.dt.total_seconds() # 将时间差转换为总秒数（结果为Duration类型，dt.total_seconds()转为数值类型）
.fill_null(0) # 将每个ID组的第一个时间差（为null）填充为0
.over("ID") # 在每个 'ID' 组内执行上述操作
.alias("time_between_sessions") # 将新列命名为 'time_between_sessions'
)
print("\n计算时间差后的 Polars DataFrame:")
print(sessions_with_time_diff)输出：
计算时间差后的 Polars DataFrame: shape: (6, 3) ┌─────┬─────────────────────┬───────────────────────┐ │ ID ┆ Timestamp ┆ time_between_sessions │ │ --- ┆ --- ┆ --- │ │ str ┆ datetime[μs] ┆ i64 │ ╞═════╪═════════════════════╪═══════════════════════╡ │ A ┆ 2023-01-01 10:00:00 ┆ 0 │ │ A ┆ 2023-01-01 10:30:00 ┆ 1800 │ │ A ┆ 2023-01-01 11:00:00 ┆ 1800 │ │ B ┆ 2023-01-01 12:00:00 ┆ 0 │ │ B ┆ 2023-01-01 12:30:00 ┆ 1800 │ │ B ┆ 2023-01-01 13:00:00 ┆ 1800 │ └─────┴─────────────────────┴───────────────────────┘
代码解析：
- pl.col("Timestamp"): 选取 Timestamp 列进行操作。
- .diff(): 这是一个序列方法，用于计算当前元素与其前一个元素之间的差异。在时间戳列上使用时，它会返回一个 Duration 类型的值。对于每个 ID 的第一个时间戳，由于没有前一个元素，其结果将是 null。
- .dt.total_seconds(): dt 访问器用于处理日期时间（datetime）和持续时间（duration）类型。total_seconds() 方法将 Duration 类型的值转换为总秒数（整数或浮点数），这使得时间差更易于量化和分析。
- .fill_null(0): 在 diff() 操作后，每个 ID 组的第一个会话的时间差会是 null。我们通常希望将其表示为 0，表示这是该组的起始点，没有“之前”的会话。
- .over("ID"): 这是关键的窗口函数。它告诉 Polars，在执行 diff().dt.total_seconds().fill_null(0) 链式操作时，要以 ID 列为分组键。这意味着 diff() 和 fill_null() 操作会在每个独立的 ID 分区内独立进行，而不是在整个 DataFrame 上进行。
- .alias("time_between_sessions"): 为新生成的列指定一个清晰的名称。
性能考量与最佳实践
- 避免 map 和 apply： 在 Polars 中，应尽量避免使用 map、apply 或 map_groups 等函数，尤其是在处理大型数据集时。这些函数通常会导致性能瓶颈，因为它们可能需要 Python 解释器的干预，并且无法充分利用 Polars 底层的 Rust 优化和并行计算能力。over() 窗口函数是 Polars 声明式表达式 API 的一部分，它可以在 Rust 层面进行优化和并行化，从而提供卓越的性能。
- Polars 表达式 API 的优势： Polars 的表达式 API 允许用户以声明式的方式定义计算逻辑。Polars 引擎可以对这些表达式进行查询优化、谓词下推（predicate pushdown）、列裁剪（column pruning）等操作，从而在执行时达到最佳性能。
- 数据排序的重要性： diff() 函数依赖于行的顺序。确保在进行时间差计算之前，数据已经按照 ID 和 Timestamp 进行了正确的排序。在上述示例中，数据已经预先按 ID 和 Timestamp 排序，因此无需额外排序步骤。如果原始数据未排序，则需要先使用 sessions_features.sort(["ID", "Timestamp"]) 进行排序。
总结
通过本教程，我们学习了如何利用 Polars 的 over() 窗口函数高效地计算 DataFrame 中按组划分的行间时间差。这种方法不仅代码简洁，更重要的是，它充分利用了 Polars 的高性能特性，避免了传统迭代或 map 函数带来的性能问题。掌握 over() 函数是高效使用 Polars 进行数据分析的关键技能之一，特别是在处理分组时间序列数据时。在实际项目中，优先考虑使用 Polars 提供的内置表达式和窗口函数，将是提升数据处理效率和代码质量的重要一步。
