本文介绍使用 polars 一次性抽取无放回的批量样本，并按组求和，确保每个数据点仅被使用一次，避免传统循环采样导致的重复问题。
本文介绍使用 polars 一次性抽取无放回的批量样本，并按组求和，确保每个数据点仅被使用一次，避免传统循环采样导致的重复问题。
在统计分析或蒙特卡洛模拟中，常需对大规模 DataFrame 多次随机抽样并计算统计量（如每组样本的和）。若采用循环调用 df.sample()（如原代码所示），默认虽为无放回，但每次调用独立采样，无法保证不同样本间互斥——即同一行可能被多次选中，违背“disjunct”（互不相交）要求。
正确做法是：一次性抽取全部所需数据点，再均匀划分成互斥子组。Polars 提供了高效、向量化的方式实现该逻辑：
import polars as pl
import numpy as np
df = pl.DataFrame({"a": np.random.random(1000)})
N_samples = 50
N_logs = 20 # 每个样本含 20 行
# ✅ 正确：一次性抽取 N_samples × N_logs 行（无放回），再分组求和
sums = (
df.sample(N_samples * N_logs, with_replacement=False) # 显式指定更清晰（默认即 False）
.with_row_index() # 可选：便于理解分组逻辑（实际可用 int_range 替代）
.with_columns(pl.int_range(pl.len()) // N_logs) # 生成组 ID：0,0,...,0, 1,1,...,1, ...
.group_by(pl.col("literal")) # 按组 ID 分组（列名取决于 Polars 版本，推荐用列索引或重命名）
.agg(pl.col("a").sum())
.get_column("a")
)
更简洁且推荐的写法（与答案一致，利用 pl.int_range(pl.len()) 直接构造分组键）：
sums = (
df.sample(N_samples * N_logs)
.group_by(pl.int_range(pl.len()) // N_logs)
.sum()
.get_column("a")
)
✅ 关键要点说明：
- sample(n) 默认 with_replacement=False，确保全局唯一抽样；
- pl.int_range(pl.len()) // N_logs 生成形如 [0,0,…,0, 1,1,…,1, …, 49,49,…,49] 的整数序列，长度为 N_samples * N_logs，自然将样本划分为 N_samples 组，每组 N_logs 行；
- group_by(...).sum() 向量化聚合，性能远超 Python 循环 + 多次 sample()；
- 最终 .get_column("a") 返回长度为 N_samples 的 Series，每个元素即对应组的 a 列之和。
⚠️ 注意事项：
- 确保 N_samples * N_logs ≤ df.height，否则 sample() 会报错（可加 error_on_insufficient=True 显式控制）；
- 若需保留原始行索引或元信息，可在 sample() 后使用 with_row_index() 并在分组中一并保留；
- 该方法本质是随机打乱后切片，等价于 df.sample(...).partition_by(...) 的高效替代。
此方案兼顾正确性、性能与简洁性，是 Polars 生态下处理互斥多样本统计任务的标准实践。
