Polars优化咨询：如何高效在第2个下划线后拆分字符串？

你的当前方法通过拆分列表再切片拼接，在数据量较大时效率偏低，这里提供两种更高效的优化方案：

方案一：正则表达式直接提取 #

利用str.extract结合正则，直接匹配第二个下划线前的内容，无需生成完整拆分列表，性能最优：

import polars as pl

result = pl.select(
    pl.lit("my_string_occurrence").str.extract(r"^([^_]+_[^_]+)")
)

输出结果：

┌───────────┐
│ literal   │
│ ---       │
│ str       │
╞═══════════╡
│ my_string │
└───────────┘

正则说明：^([^_]+_[^_]+) 匹配字符串开头部分，其中[^_]+表示匹配任意非下划线字符，两次该表达式用_连接，正好对应前两个由下划线分隔的内容。

方案二：限制拆分次数的str.splitn #

使用str.splitn(n, sep)最多拆分n次，避免拆分所有下划线，减少列表操作的开销：

import polars as pl

result = pl.select(
    pl.lit("my_string_occurrence").str.splitn(3, "_")
    .list.slice(0, 2)
    .list.join("_")
)

splitn(3, "_")会将字符串拆分为最多3部分（前两个下划线分隔的内容 + 剩余所有内容），再取前两部分拼接即可，效率比原str.split("_")更高。

内容的提问来源于stack exchange，提问作者yz_jc