如何在PyPolars中结合REGEX列使用str.extract_all提取共同字符

需求：提取Polars DataFrame中Compartment_1和Compartment_2两列（均为字符列表类型）每行的共同字符。

数据结构如下：

shape: (20, 4)
┌────────────────────────────────┬───────────────────┬───────────────────┬─────────────────────┐
│ Original                       ┆ Compartment_1     ┆ Compartment_2     ┆ REGEX               │
│ ---                            ┆ ---               ┆ ---               ┆ ---                 │
│ str                            ┆ list[str]         ┆ list[str]         ┆ str                 │
╞════════════════════════════════╪═══════════════════╪═══════════════════╪═════════════════════╡
│ DsPhSBQQQhqmBDhPDsFwjwsLjlRjlt ┆ ["D", "s", … "F"] ┆ ["w", "j", … "b"] ┆ wjwsLjlRjlttvjvvtRb │
│ tv…                            ┆                   ┆                   ┆                     │
│ rNJMNNbrHrtjHLHjvwtg           ┆ ["r", "N", … "r"] ┆ ["t", "j", … "g"] ┆ tjHLHjvwtg          │
│ fNbNzZdrZnMnMPnQShFPDmnqFm     ┆ ["f", "N", … "M"] ┆ ["P", "n", … "m"] ┆ PnQShFPDmnqFm       │
│ QWVCFfQffgQCVZzVVpHsHJBqtpspJF ┆ ["Q", "W", … "V"] ┆ ["p", "H", … "q"] ┆ pHsHJBqtpspJFRHqq   │
│ RH…                            ┆                   ┆                   ┆                     │
│ …                              ┆ …                 ┆ …                 ┆ …                   │
│ ZnJHRncHHgnrsrZffTdMdMBfmMvfvR ┆ ["Z", "n", … "Z"] ┆ ["f", "f", … "R"] ┆ ffTdMdMBfmMvfvR     │
│ NWWPnZrVHrZPCDDQtzDCPLCq       ┆ ["N", "W", … "P"] ┆ ["C", "D", … "q"] ┆ CDDQtzDCPLCq        │
│ jpFjvBZhDFHZdwcmslcslBLLNl     ┆ ["j", "p", … "d"] ┆ ["w", "c", … "l"] ┆ wcmslcslBLLNl       │
│ dVtTVVCzzfrrMPNLLcnVcPLRns     ┆ ["d", "V", … "M"] ┆ ["P", "N", … "s"] ┆ PNLLcnVcPLRns       │
└────────────────────────────────┴─────────────────────┴─────────────────────┴─────────────────┘

尝试过的代码及问题：

1. 错误使用str.extract_all（该方法针对字符串列，需正则参数，不适用列表列）：

day3.select(
    pl.col("Compartment_1").str.extract_all(pl.col("Compartment_2"))
)

2. 将Compartment_2转为REGEX列后传入，结果全为Null；
3. 尝试list.eval但因错误处理列引用（str(pl.col("REGEX"))会把列对象转为字符串而非取值）失败：

day3_3 = day3_2.with_columns(
    pl.col("Compartment_1")
    .list.eval(
        pl.element()
        .str.extract_all(pattern = str(pl.col("REGEX")))
    ).alias("Match")
)

Polars内置了列表交集方法list.set_intersection，直接用于两列即可高效提取共同字符，无需正则：

基础实现 #

day3 = day3.with_columns(
    pl.col("Compartment_1").list.set_intersection(pl.col("Compartment_2")).alias("Common_Chars")
)

进阶处理（去重+排序） #

如果需要对结果去重并排序，可追加list.unique()和list.sort()：

day3 = day3.with_columns(
    pl.col("Compartment_1")
    .list.set_intersection(pl.col("Compartment_2"))
    .list.unique()
    .list.sort()
    .alias("Common_Chars")
)

错误原因说明 #

• str.extract_all是字符串处理方法，用于从单个字符串中提取正则匹配项，不能直接处理列表列；
• list.eval中使用str(pl.col("REGEX"))会将列表达式对象转为字符串（如<Expr ['REGEX']>），而非获取每行的实际REGEX值，导致匹配失败返回Null；
• 求列表交集无需绕正则，Polars的list.set_intersection是专门为此场景设计的优化方法。

内容的提问来源于stack exchange，提问作者Damon C. Roberts