トップ / 集約・構造変換

count_distinct / approx_count_distinct

重複を除いた値の種類数（ユニーク数）を求める。近似版は誤差を許容する代わりに高速。

df.select(count_distinct(col("user_id")))
df.select(approx_count_distinct(col("user_id")))

df.select(pl.col("user_id").n_unique())
df.select(pl.col("user_id").approx_n_unique())

挙動・設計の違い

正確版（count_distinct↔n_unique）・近似版（approx_count_distinct↔approx_n_unique）とも対になる関数がPolars側に存在する。[1,2,2,3,3,3]で実行して確認したところ、n_unique()は正確に3を返す。

移行時の落とし穴

近似版を使う場面の判断はSnowpark側とPolars側で事情が異なる。Snowflakeのapprox_count_distinctはHyperLogLogアルゴリズムでビッグデータに対する分散集計のコストを下げるために用意されている。一方Polarsはメモリ上の処理なので、よほど巨大なデータでない限り正確版のn_unique()で十分なことが多く、近似版を使う必然性はSnowflake側ほど高くない。Snowpark側のコードにならって機械的に近似版へ置き換えると、Polars側では不要な誤差を持ち込むだけになる場合がある。

集約・構造変換の他のメソッド

• group_by / groupBy ── 指定した列の値でグループ化する。集約する前段階として使う。
• agg ── group_byで作ったグループごとに、集約の計算をまとめて指定する。
• count ── 行数を数える。
• sum ── 列の値を合計する。
• avg / mean ── 列の値の平均を求める。
• min ── 列の最小値を求める。
• max ── 列の最大値を求める。
• pivot ── 行の値を列に展開する（縦持ちから横持ちへ）。
• unpivot ── pivotの逆。複数列を1つの列にまとめる（横持ちから縦持ちへ）。
• array_agg ── グループ内の複数行の値を、1つの配列（リスト）にまとめる。
• listagg ── グループ内の複数行の文字列を、区切り文字でつないだ1つの文字列にまとめる。
• median / stddev ── 中央値と標準偏差を求める（外れ値の影響を受けにくい代表値・散らばりの指標）。

出典・検証情報

• Snowpark 公式リファレンス（count_distinct / approx_count_distinct）
• Polars 公式リファレンス（count_distinct / approx_count_distinct）

Polars 1.36.1 で実行確認 / Snowpark Python SDK 1.51.1 で静的検証（2026-08-30）