polars 升级至 0.20.7 后，`group_by([...])` 传入列表会导致 `map_groups` 报错“cannot call `map_groups` when grouping by an expression”；根本原因是新版本未自动解包单元素列表，正确写法应为 `group_by('product number')`（无方括号），并推荐优先使用更高效、更安全的 `over()` 窗口函数替代 `map_groups`。
在 Polars 0.20.7 中，group_by() 方法已支持灵活的参数形式（如 group_by('col')、group_by('col1', 'col2')），以与其他 API（如 select、with_columns）保持一致。但这一改动导致一个兼容性陷阱：若仍沿用旧写法 group_by(['Product Number'])（即传入列表），map_groups 内部逻辑会误判 self.by 为含非字符串类型的表达式（因 ['Product Number'] 是 list，而非纯 str），从而触发类型检查失败：
# ❌ 错误写法（触发 TypeError）
df.group_by(['Product Number']).map_groups(...)
# ✅ 正确写法：直接传字符串，不加方括号
df.group_by('Product Number').map_groups(...)修正后的 map_groups 示例代码如下：
import polars as pl
df1 = (
df1
.group_by('Product Number')
.map_groups(lambda g: (
g.with_columns(
pl.col('New Date')
.fill_null(strategy='backward')
.alias('New Date1')
)
))
)⚠️ 但请注意：map_groups 并非此场景的最佳选择。它会将每组数据实例化为独立的 DataFrame，带来显著的内存与性能开销，且丧失 Polars 的惰性计算和向量化优势。
✅ 推荐替代方案：使用 over() 窗口函数
对分组内列执行填充操作，应优先采用 over() —— 它原生支持分组上下文、零拷贝、完全向量化，且语法简洁：
df1 = df1.with_columns(
pl.col('New Date')
.fill_null(strategy='backward')
.over('Product Number')
.alias('New Date1')
)该写法等价于“按 'Product Number' 分组，在每组内对 'New Date' 列进行反向填充”，语义清晰、性能优异，且完全规避 map_groups 的限制与风险。
? 额外最佳实践提醒：
- 始终使用 pl.col('col_name') 替代 df['col_name'] 在 with_columns/select 等上下文中，后者属于 pandas 风格，在 Polars 中易引发作用域错误或意外行为；
- 若需更复杂的组内逻辑（如自定义聚合+变换），可结合 agg() 与结构化返回，或升级至 0.20.8+（已合并 PR #14099，彻底解除 map_groups 对列表输入的限制）；
- 所有窗口操作（包括 over）均支持链式调用，可无缝集成进现有 pipeline。
综上，面对 map_groups 兼容性报错，首选修复是去除 group_by 的方括号；而面向长期可维护性与性能，应主动迁移至 over() —— 这既是 Polars 的惯用范式，也是现代 DataFrame 计算的更优路径。
