Polars 中基于列值动态控制小数位数的高效四舍五入方法

本文详解如何在 Polars 中避免 map_rows 或 Python 循环，利用原生表达式 API 实现「按每行指定的小数位数」对数值列进行高性能四舍五入。

在数据处理时，你是否遇到过这样的需求：需要根据另一列动态变化的值（比如“有效数字位数”），来对目标数值列进行逐行、不同精度的四舍五入？如果直接使用 `map_rows` 或 `apply` 方法，会立刻将计算拖入 Python 循环的泥潭，让 Polars 引以为傲的向量化性能优势荡然无存，尤其是在处理大规模数据集时，这几乎是不可接受的。

好消息是，Polars 的原生表达式 API 提供了两种纯表达式、零 Python 开销的优雅解决方案：数学缩放法与条件分支聚合法。下面就来详细拆解。

✅ 方案一：数学缩放法（推荐｜通用性强）

这个方案的核心思路非常巧妙，可以概括为“放大、取整、再缩小”。具体来说，就是先将浮点数乘以 \(10^{\text{sig_figs_len}}\)，把需要保留的小数位移到整数部分；接着调用 `.round()` 方法（默认四舍五入到整数）；最后再乘以 \(10^{-\text{sig_figs_len}}\)，将数值缩回到原来的量级。整个过程完全基于 Polars 内置的算术表达式，没有条件分支，也没有重复计算，性能表现堪称最优。

import polars as pl

df = df.with_columns(
    (
        pl.col("reverse_rate_from_euro")
         * pl.lit(10).pow(pl.col("sig_figs_len"))
    ).round()
    * pl.lit(0.1).pow(pl.col("sig_figs_len"))
    .alias("reverse_rate_to_euro_rounded_sig_figs")
)

这里有个细节值得注意：`pl.lit(0.1)` 是 \(10^{-1}\) 的一种简洁写法。当然，你也可以写成 `pl.lit(1).truediv(pl.lit(10).pow(pl.col("sig_figs_len")))`，但前者的写法显然更高效。这个方案支持任意 `u32` 或 `i64` 类型的位数列，并且对于 NaN 和无穷值的处理行为，与标准的 `round()` 方法保持一致。

✅ 方案二：条件分支 + coalesce()（适合位数种类少）

如果你的 `sig_figs_len` 列取值是离散的，并且种类非常有限（比如只有 3、4、5 这三种可能），那么可以考虑这个方案。它的逻辑很直观：枚举所有可能的唯一值，为每个精度值生成一个独立的 `.round(x)` 表达式，然后利用 `pl.coalesce()` 函数，为每一行选取第一个匹配到的非空结果。

sig_figs_unique = df["sig_figs_len"].unique().to_list()

df = df.with_columns(
    pl.coalesce(
        [
            pl.when(pl.col("sig_figs_len") == x)
             .then(pl.col("reverse_rate_from_euro").round(x))
            for x in sig_figs_unique
        ]
    ).alias("reverse_rate_to_euro_rounded_sig_figs")
)

这种方法的优势在于逻辑清晰，易于调试，而且 `coalesce` 确保了每一行只会应用一条匹配的舍入规则。但是，如果 `sig_figs_len` 的唯一值过多（比如超过100个），生成的表达式树就会变得非常庞大，导致编译开销显著增加。在这种情况下，应当优先选择方案一。

? 总结与选型建议

• 首选方案一（数学缩放）：这几乎是适用于所有场景的“万金油”方案，尤其当处理大数据集，或者位数列的分布是连续、稀疏的时候。它实现了完全向量化，没有任何条件判断，性能表现最为稳定。
• 备选方案二（coalesce + when）：当精度位数种类极少（比如不超过10种），并且你需要对每种精度逻辑进行更明确、甚至更复杂的控制（例如，想根据不同货币类型添加额外条件）时，这个方案的可读性更高，也更灵活。
• 务必避免的“性能陷阱”：无论如何，都要远离 `map_rows`、`apply`、`iter_rows()` 这些会触发 Python 迭代的操作。它们会彻底绕过 Polars 的查询优化器和 SIMD 指令加速，让性能断崖式下跌。

采用以上任一方案，最终输出的 `reverse_rate_to_euro_rounded_sig_figs` 列都会严格符合预期：例如，数值 0.154128 在 `sig_figs_len=5` 时会变为 0.15413，而 0.156006 在 `sig_figs_len=3` 时会变为 0.156。整个过程，都能完美保持 Polars 高效的内存利用率和卓越的执行速度。