
本文介绍一种借助并查集(disjointset)解决跨列等价关系分组问题的方法:当两行在 key1 或 key2 上存在交集时,视为同一连通分量,最终按连通分量聚合计数。
本文介绍一种借助并查集(disjointset)解决跨列等价关系分组问题的方法:当两行在 key1 或 key2 上存在交集时,视为同一连通分量,最终按连通分量聚合计数。
在 Polars 中,常规的 group_by(['key1', 'key2']) 仅支持笛卡尔式静态分组,无法表达“若行 A 与 B 共享 key1,B 与 C 共享 key2,则 A、B、C 应属同一组”的传递性连通逻辑。这类需求本质上是图论中的连通分量(Connected Components) 问题,需将 key1 和 key2 视为同构节点,每行 (key1, key2) 构成一条无向边,然后识别所有极大连通子图。
以下是完整、可运行的解决方案(需安装 scipy>=1.12.0):
import polars as pl
from scipy.cluster.hierarchy import DisjointSet
# 构造示例数据
df = pl.DataFrame({
'id': [1, 2, 3, 4],
'key1': ['a', 'a', 'b', 'c'],
'key2': ['x', 'y', 'y', 'z'],
})
# 步骤 1:提取所有唯一节点(key1 和 key2 合并去重)
all_keys = df.select(
pl.col("key1").cast(pl.String).append(pl.col("key2").cast(pl.String)).unique()
).to_series().to_list()
# 步骤 2:提取唯一边(避免重复合并)
edges = df.select(["key1", "key2"]).unique().iter_rows()
# 步骤 3:构建并查集并合并连通节点
ds = DisjointSet(all_keys)
for key1, key2 in edges:
ds.merge(key1, key2)
# 步骤 4:将每个连通分量映射为 group_idx(使用 lazy 模式提升大表性能)
subsets = [list(s) for s in ds.subsets()]
group_mapping = (
pl.DataFrame({"key": subsets})
.lazy()
.with_row_index("group_idx")
.explode("key")
)
# 步骤 5:关联原始数据并按连通分量聚合
result = (
df.lazy()
.join(group_mapping, left_on="key1", right_on="key", how="left")
.group_by("group_idx")
.len()
.collect()
)
print(result)输出:
shape: (2, 2) ┌───────────┬─────┐ │ group_idx ┆ len │ │ --- ┆ --- │ │ u32 ┆ u32 │ ╞═══════════╪═════╡ │ 0 ┆ 1 │ │ 1 ┆ 3 │ └───────────┴─────┘
✅ 结果解读:
-
group_idx=1包含 3 行(id=1/2/3),对应连通分量{a, x, y, b}(因a-x,a-y,b-y形成链式连接); -
group_idx=0为孤立点c-z,独立成组。
⚠️ 注意事项:
-
key1和key2必须为同类型(建议统一转为String),否则DisjointSet合并可能失败; - 若数据含空值(
null),需提前drop_nulls()或填充,因DisjointSet不支持None; - 对超大规模数据(百万级边),可改用
networkx.connected_components或自定义 Union-Find 实现以优化内存; - 此方法不依赖
key1或key2的语义角色——二者完全对称,适用于标签共现、用户-设备绑定、实体消歧等场景。
该方案将图算法与 Polars 的声明式计算无缝结合,兼顾表达力与性能,是处理复杂关系型分组的可靠范式。

















