如何在Polars DataFrame中结合额外条件正确提取所有重复行？

嘿，我刚好踩过类似的坑，给你分两种常见场景捋捋，你可以根据自己的实际需求来选：

首先先把你给的DataFrame补全（你原来的代码里Frank的city字段没写完，我默认补成Chicago啦）：

import polars as pl
df = pl.DataFrame({
    "name": ["Alice", "Bob", "Alice", "David", "Eve", "Bob", "Frank"],
    "city": ["NY", "LA", "NY", "SF", "LA", "LA", "Chicago"]
})

场景1：只保留重复行中自身满足额外条件的行 #

比如你要找「名字重复，并且这行的城市是LA」的所有行，直接用filter把重复标记和你的过滤条件结合起来就行：

# 筛选name重复 且 city为LA的行
result = df.filter(
    pl.col("name").is_duplicated() & (pl.col("city") == "LA")
)
print(result)

运行后会得到Bob的两行——它们名字重复，且城市都是LA；而Alice的两行虽然名字重复，但城市是NY，所以不会被选出来，完全贴合咱们的要求。

场景2：提取整个重复组（组内至少有一行满足额外条件） #

如果你想要的是「只要某个名字的重复分组里存在至少一行城市是LA，就把这个组里所有重复行都捞出来」（哪怕组里有行不是LA），比如假设Bob有一行LA一行NY，那两行都要保留，这时候就需要先给每个分组打标记再过滤：

# 先给每个name组标记是否有城市为LA的行，再筛选符合条件的重复行
result = df.with_columns(
    # 标记当前行是否满足city=LA
    current_is_la = pl.col("city") == "LA",
    # 按name分组，判断整个组里有没有满足条件的行
    group_has_la = pl.col("current_is_la").any().over("name")
).filter(
    pl.col("name").is_duplicated() & pl.col("group_has_la")
)
print(result)

这种写法能把整个符合条件的重复分组数据都拿出来，适合你需要复盘某个重复分组全部信息的场景。

另外提个小细节：is_duplicated()会标记所有重复的行（包括第一次出现的那行），如果你只想要重复项里的非首次/末次行，就换成is_first_duplicate()或者is_last_duplicate()就行，根据自己的需求调整~

备注：内容来源于stack exchange，提问作者Omar AlSuwaidi