如果在其他列中有列值，则极性将连接两个数据帧。

Question

如果一列的值包含在另一列中，我想加入两个数据格式。数据格式如下所示：

df1 = pl.DataFrame({"col1": [1, 2, 3], "col2": ["x1, x2, x3", "x2, x3", "x3"]})
df2 = pl.DataFrame({"col3": [4, 5, 6], "col4": ["x1", "x2", "x3"]})

我试着做：

model_data = df1.join(df2, on="col2")

这并不能产生预期的结果。我想看到的是这样的东西：

col1    col2            col3    col4
1       "x1, x2, x3"    4      "x1"
1       "x1, x2, x3"    5      "x2"
1       "x1, x2, x3"    6      "x3"
2       "x2, x3"        5      "x2"
2       "x2, x3"        6      "x3"
3       "x3"            6      "x3"

这是一个问题，当一个值被另一个值包含时，如何进行连接。我在文档中找不到这方面的好例子。

Answer 1

您希望将col2和.explode()拆分为类似于python-polars split string column into many columns by delimiter的

然后您可以执行.join()

>>> (df1.with_column(df1["col2"].str.split(", ").alias("col4"))
...    .explode("col4")
...    .join(df2, on="col4")
...    .select(df1.columns + df2.columns))
shape: (6, 4)
┌──────┬────────────┬──────┬──────┐
│ col1 ┆ col2       ┆ col3 ┆ col4 │
│ ---  ┆ ---        ┆ ---  ┆ ---  │
│ i64  ┆ str        ┆ i64  ┆ str  │
╞══════╪════════════╪══════╪══════╡
│ 1    ┆ x1, x2, x3 ┆ 4    ┆ x1   │
├╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌┼╌╌╌╌╌╌┤
│ 1    ┆ x1, x2, x3 ┆ 5    ┆ x2   │
├╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌┼╌╌╌╌╌╌┤
│ 1    ┆ x1, x2, x3 ┆ 6    ┆ x3   │
├╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌┼╌╌╌╌╌╌┤
│ 2    ┆ x2, x3     ┆ 5    ┆ x2   │
├╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌┼╌╌╌╌╌╌┤
│ 2    ┆ x2, x3     ┆ 6    ┆ x3   │
├╌╌╌╌╌╌┼╌╌╌╌╌╌╌╌╌╌╌╌┼╌╌╌╌╌╌┼╌╌╌╌╌╌┤
│ 3    ┆ x3         ┆ 6    ┆ x3   │
└──────┴────────────┴──────┴──────┘

Answer 2

另一种与直觉相反更快的方法是在它们之间进行交叉连接，然后过滤掉col4不在col2中的时间。

看起来像这样..。

cj=df1.join(df2, how='cross')
filt=cj.apply(lambda x: x[3] in x[1])
cj.with_column(filt.to_series().alias('filt')).filter(pl.col('filt')==True).select(pl.exclude('filt'))

本质上，所发生的事情是创建cj，它是一个df，它将每一行df1和df2混在一起。然后，您创建filt，这只是一系列的真理和谎言，您可以过滤。按此进行筛选，然后执行选择以排除该助手列。您只需小心第二行lambda表达式中的索引位置。

您必须测试这个vs @jq散利方法的性能。如果(大if，我不知道)这个更快，那是因为str.split.explode没有像把所有东西混在一起那样高效。不幸的是，series.str.contains方法正在寻找固定的正则表达式或文本，这就是为什么使用lambda的原因。