Polars如何基于列值包含关系实现两个DataFrame的连接？

普通的join操作是精确匹配列值，你之前用df1.join(df2, on="col2")无法得到预期结果，因为df1.col2是逗号分隔的字符串集合，而df2.col4是单个值，需要判断单个值是否属于集合中的成员。

下面提供两种可行的实现方式：

方法1：交叉连接后过滤匹配项 #

先通过cross_join生成所有可能的行组合，再筛选出col4值存在于col2中的行：

import polars as pl

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"]})

result = df1.cross_join(df2).filter(
    pl.col("col2").str.contains(pl.col("col4"), literal=True)
)
print(result)

• literal=True确保将col4的值作为纯文本匹配，避免正则表达式的特殊字符干扰。
• 优点：代码简洁直观；缺点：会生成笛卡尔积，数据量大时性能较差。

方法2：拆分展开后精确连接 #

先将df1.col2拆分为列表并展开，再通过精确匹配col4完成连接，这种方式性能更优：

import polars as pl

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"]})

# 拆分col2为单个值的列表并展开
df1_exploded = df1.with_columns(
    pl.col("col2").str.split(", ").alias("matched_col")
).explode("matched_col")

# 基于拆分后的列精确连接
result = df1_exploded.join(df2, left_on="matched_col", right_on="col4").drop("matched_col")
print(result)

• 优点：避免笛卡尔积，大数据集下性能更高效；缺点：需要多一步拆分展开的操作。

两种方法最终都会输出你期望的结果：

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   │
└──────┴────────────┴──────┴──────┘

内容的提问来源于stack exchange，提问作者Sledge