本文介绍如何在 Polars 中为多列组合（如 (a, b)）生成全局唯一、紧凑且不跳号的整数序号（即 dense ranking），适用于构建跨组唯一 ID、去重排序索引等场景。
本文介绍如何在 polars 中为多列组合（如 `(a, b)`）生成全局唯一、紧凑且不跳号的整数序号（即 dense ranking），适用于构建跨组唯一 id、去重排序索引等场景。
在数据处理中，常需将多列联合值映射为一个全局唯一、连续、无间隙的整数 ID —— 例如，将 (group_id, item_id) 对转换为全表唯一的 global_item_rank，且相同组合必须对应同一编号（如 (1,1) 始终为 1，(2,1) 首次出现时应为 4，而非 5）。这本质上不是累积求和（cum_sum），而是稠密排名（dense ranking）：按字典序对 (a, b) 全局排序后，为每个首次出现的唯一组合分配递增编号，重复组合复用已分配编号。
直接使用 cum_sum() 无法解决该问题，原因在于：
- cum_sum() 是行序敏感的前缀累加，依赖物理顺序，无法自动识别逻辑唯一性；
- 尝试先 max().over('a') 再 cum_sum().over('c') 会错误地按中间聚合值分组累加，违背“组合唯一性”语义。
✅ 正确解法：使用 pl.struct("a", "b").rank(method="dense")
rank(method="dense") 是 Polars 专为此类需求设计的高性能表达式：
- pl.struct("a", "b") 将两列打包为结构化标量，支持自然字典序比较；
- .rank("dense") 按该结构体全局排序，为每个首次出现的唯一值分配最小正整数（1, 2, 3…），重复值不跳号（即 1,2,2,3 而非 1,2,2,4）；
- 整个操作向量化、零中间列、无需 group_by 或 sort 显式调用，由 Polars 自动优化。
import polars as pl
df = pl.DataFrame({
'a': [1, 1, 1, 1, 2, 2, 2, 2],
'b': [1, 2, 3, 1, 1, 2, 2, 2]
})
result = df.with_columns(
global_id = pl.struct("a", "b").rank("dense").cast(pl.Int64)
)
print(result)
输出：
shape: (8, 3) ┌─────┬─────┬───────────┐ │ a ┆ b ┆ global_id │ │ --- ┆ --- ┆ --- │ │ i64 ┆ i64 ┆ i64 │ ╞═════╪═════╪═══════════╡ │ 1 ┆ 1 ┆ 1 │ │ 1 ┆ 2 ┆ 2 │ │ 1 ┆ 3 ┆ 3 │ │ 1 ┆ 1 ┆ 1 │ │ 2 ┆ 1 ┆ 4 │ │ 2 ┆ 2 ┆ 5 │ │ 2 ┆ 2 ┆ 5 │ │ 2 ┆ 2 ┆ 5 │ └─────┴─────┴───────────┘
⚠️ 注意事项：
- method="dense" 是关键：若用 "min"（默认）或 "ordinal"，结果相同但语义不同；"dense" 确保编号绝对紧凑（无跳号），符合示例中 d 列要求；
- 类型转换建议：rank() 默认返回 UInt32，如需 Int64 可链式调用 .cast(pl.Int64)；
- 扩展性：可轻松扩展至更多列，如 pl.struct("a", "b", "c", "d").rank("dense")；
- 性能优势：相比手动 unique().with_row_count() + join，此方法单次扫描完成，内存友好，适合千万级数据。
总结：当目标是“为唯一组合分配全局连续序号”时，请放弃 cum_sum 思维，拥抱 rank(method="dense") —— 它是 Polars 中语义精准、性能卓越的标准解法。
