如何在Polars中实现类似Stata Join的匹配/未匹配行数统计？

Stata的合并反馈机制 #

当连接两个数据表时，Stata会自动打印出合并后各类匹配情况的行数统计。例如执行以下代码：

use https://www.stata-press.com/data/r19/autosize
merge 1:1 make using https://www.stata-press.com/data/r19/autoexpense

执行后会输出统计表格，清晰展示匹配成功的行数、仅存在于主表的行数、仅存在于副表的行数。

Polars中的实现步骤 #

先给出示例所用的初始数据定义：

import polars as pl

autoexpense = pl.DataFrame(
    [
        pl.Series('make', ['Toyota Celica', 'BMW 320i', 'Cad. Seville', 'Pont. Grand Prix', 'Datsun 210'], dtype=pl.String),
        pl.Series('price', [5899, 9735, 15906, 5222, 4589], dtype=pl.Int64),
        pl.Series('mpg', [18, 25, 21, 19, 35], dtype=pl.Int64),
    ]
)

autosize = pl.DataFrame(
    [
        pl.Series('make', ['Toyota Celica', 'BMW 320i', 'Cad. Seville', 'Pont. Grand Prix', 'Datsun 210', 'Plym. Arrow'], dtype=pl.String),
        pl.Series('weight', [2410, 2650, 4290, 3210, 2020, 3260], dtype=pl.Int64),
        pl.Series('length', [174, 177, 204, 201, 165, 170], dtype=pl.Int64),
    ]
)

要实现类似Stata的统计，可通过以下两步完成：

1. 执行外连接并添加来源标识列
   使用join方法时开启indicator=True，会自动生成_merge列，标记每行数据的来源：

merged_df = autosize.join(
    autoexpense,
    on="make",
    how="outer",
    indicator=True
)

_merge列的取值对应三种情况：

• both：该行数据在两张表中都存在（匹配成功）
• left_only：仅存在于主表autosize
• right_only：仅存在于副表autoexpense

2. 分组统计各类行数
   对_merge列分组计数，即可得到与Stata一致的统计结果：

merge_stats = merged_df.group_by("_merge").agg(pl.count().alias("行数"))
print(merge_stats)

执行后输出结果示例：

shape: (3, 2)
┌────────────┬──────┐
│ _merge     │ 行数 │
│ ---        │ ---  │
│ str        │ u32  │
├────────────┼──────┤
│ both       │ 5    │
│ left_only  │ 1    │
│ right_only │ 0    │
└────────────┴──────┘

补充：pandas的实现方式 #

pandas的merge方法自带indicator参数，开启后会在合并结果中添加来源标识列，后续同样可通过分组统计得到匹配行数汇总。

内容的提问来源于stack exchange，提问作者robertspierre