Polars优化方案：基于另一列移除子串，替代apply-lambda方法

问题说明 #

针对Stack Overflow帖子《Remove substring from column based on another column》里的apply-lambda实现方式，有没有Polars的优化方案？另外，给定如下Polars DataFrame，需要根据sub列的值移除origin列里的_<sub>子串，得到指定的预期输出。

原始DataFrame #

import polars as pl

df = pl.DataFrame(
    {"origin": ["id1_COUNTRY", "id2_NAME"],
     "sub": ["COUNTRY", "NAME"]}
)

对应的表格展示：

shape: (2, 2)
┌─────────────┬─────────┐
│ origin      ┆ sub     │
│ ---         ┆ ---     │
│ str         ┆ str     │
╞═════════════╪═════════╡
│ id1_COUNTRY ┆ COUNTRY │
│ id2_NAME    ┆ NAME    │
└─────────────┴─────────┘

预期输出 #

shape: (2, 3)
┌─────────────┬─────────┬─────┐
│ origin      ┆ sub     ┆ out │
│ ---         ┆ ---     ┆ --- │
│ str         ┆ str     ┆ str │
╞═════════════╪═════════╪═════╡
│ id1_COUNTRY ┆ COUNTRY ┆ id1 │
│ id2_NAME    ┆ NAME    ┆ id2 │
└─────────────┴─────────┴─────┘

优化实现方案 #

Polars的向量化字符串操作完全可以替代低效的apply-lambda逐行处理，大数据量下性能优势明显，这里提供几种实用方法：

方法1：动态构造子串替换 #

直接构造要移除的_+sub字符串，用str.replace完成向量化替换：

df = df.with_columns(
    pl.col("origin").str.replace(pl.concat_str(["_", pl.col("sub")]), "").alias("out")
)

方法2：按分隔符分割取前缀 #

如果origin的格式固定为前缀_子串，直接按_分割后取第一个元素更简洁高效：

df = df.with_columns(
    pl.col("origin").str.split("_").list.first().alias("out")
)

方法3：动态正则匹配（通用场景） #

如果需要确保只替换末尾的_<sub>（避免中间内容误匹配），可以用动态生成的正则表达式：

df = df.with_columns(
    pl.col("origin").str.replace(pl.format(r"_{}$", pl.col("sub")), "").alias("out")
)

这里的_{}$正则表示匹配字符串末尾的_加sub列内容。

以上三种方法运行后都能得到预期输出，且都是Polars原生的向量化操作，性能远优于apply-lambda。

内容的提问来源于stack exchange，提问作者yz_jc