Polars：循环 Polars DataFrame 列以应用转换的最快方法是什么？

Question

是否有循环并将函数应用到 Polars 列的首选方法？

这是我正在尝试做的事情的 pandas 示例：

df1 = pl.DataFrame(
    {
        "A": np.random.rand(10),
        "B": np.random.rand(10),
        "C": np.random.rand(10)
    }
)
df2 = pl.DataFrame(
    {
        "X1": np.random.rand(10),
        "X2": np.random.rand(10),
        "X3": np.random.rand(10)
    }
)


# pandas code

# this is just a weighted sum of df2, where the weights are from df1
df1.to_pandas().apply(
    lambda weights: df2.to_pandas().mul(weights, axis=0).sum() / weights.sum(), axis=0,
    result_type='expand'
)

           A         B         C
X1  0.647355  0.705358  0.692214
X2  0.500439  0.416325  0.384294
X3  0.601890  0.606301  0.577076

Answer 1

看起来你正在做相当于：

pd.concat(
   (df1.mul(b[col], axis=0).sum() / df1.sum() for col in df2.columns),
   axis=1
)

在极坐标中可以用几乎相同的方式编写：

pl.concat((df1 * col).sum() / df1.sum() for col in df2)

shape: (3, 3)
┌──────────┬──────────┬──────────┐
│ A        | B        | C        │
│ ---      | ---      | ---      │
│ f64      | f64      | f64      │
╞══════════╪══════════╪══════════╡
│ 0.363931 | 0.44298  | 0.431432 │
│ 0.54025  | 0.42028  | 0.418826 │
│ 0.506882 | 0.576332 | 0.61857  │
└──────────┴──────────┴──────────┘