如何在Polars表达式上下文中使用join操作？

我有一个原始DataFrame和一个映射DataFrame，想把它们关联起来：

import polars as pl

df = pl.DataFrame({
    'A': [1, 2, 3, 2, 1],
})

mapper = pl.DataFrame({
    'key': [1, 2, 3, 4, 5],
    'value': ['a', 'b', 'c', 'd', 'e']
})

我知道可以用df.join(mapper, ...)直接把A列映射到value列，但有没有办法在表达式上下文里完成这个操作？也就是在构建列的过程中实现，比如类似这样的写法：

df.with_columns(
    (pl.col('A')+1).join(mapper, left_on='A', right_on='key')
)

预期得到的结果是：

shape: (5, 2)
┌─────┬───────┐
│ A   ┆ value │
│ --- ┆ ---   │
│ i64 ┆ str   │
╞═════╪═══════╡
│ 1   ┆ b     │
│ 2   ┆ c     │
│ 3   ┆ d     │
│ 2   ┆ c     │
│ 1   ┆ b     │
└─────┴───────┘

在Polars里，确实可以在表达式上下文完成这类映射，推荐两种高效的实现方式：

方法1：字典映射 + map_elements #

先把映射DataFrame转成字典，再用map_elements在列表达式里完成值的映射：

# 将mapper转为键值对字典
map_dict = dict(zip(mapper['key'], mapper['value']))

result = df.with_columns(
    value=(pl.col('A') + 1).map_elements(lambda x: map_dict[x], return_dtype=pl.Utf8)
)
print(result)

这种写法直观易懂，适合小规模数据集。

方法2：使用pl.lookup()（Polars 0.19.0+支持） #

Polars提供了专门的lookup表达式，无需手动转字典，性能更优，是表达式上下文映射的首选方案：

result = df.with_columns(
    value=(pl.col('A') + 1).lookup(mapper, key='key', value='value')
)
print(result)

该方法针对大数据集做了优化，执行效率远高于字典映射。

方法3：嵌套子查询实现类join逻辑 #

如果想贴合你示例中的join思路，也可以在with_columns里嵌套子查询完成关联，但这种写法不够简洁，一般不推荐：

result = df.with_columns(
    value=pl.select(pl.col('value'))
           .join(pl.select((pl.col('A') + 1).alias('key')), left_on='key', right_on='key')
           .select('value')
)
print(result)

内容的提问来源于stack exchange，提问作者NedDasty