讲师中心 微信公众号

工具推荐

视频效率加速
立刻MV
立刻MV

低成本歌曲 MV、视频生成

Laper
Laper

剧本策划到成片协作

SoundView
SoundView

字幕擦除翻译、配音口型同步

剧云
剧云

中文短剧剧本制作平台

如何在 Polars 中实现一对一的最近邻匹配连接(避免右表行重复使用)

大瑶同学_5476

大瑶同学_5476

发布时间:2026-11-20 12:55:34

|

750人浏览过

|

来源于php中文网

原创

如何在 Polars 中实现一对一的最近邻匹配连接(避免右表行重复使用)

本文介绍如何在 Polars 中实现严格的一对一最近邻匹配连接:确保右 DataFrame 的每一行至多被左 DataFrame 的一个行匹配,彻底避免 join_asof(..., strategy="nearest") 中常见的右表行复用问题。

本文介绍如何在 polars 中实现严格的一对一最近邻匹配连接:确保右 dataframe 的每一行至多被左 dataframe 的一个行匹配,彻底避免 `join_asof(..., strategy="nearest")` 中常见的右表行复用问题。

在 Polars 中,join_asof 虽支持 "nearest" 策略,但其本质是“贪婪匹配”——每个左表行独立寻找全局最近的右表行,不考虑是否已被其他左表行占用。这导致右表行可能被多次复用(如示例中 B2 同时匹配 B1 和 C1),违背了一对一匹配需求。

要实现真正的一对一最近邻匹配(即“最优分配”语义),推荐采用归并排序 + 顺序配对策略:将左右表按关键列(如 numbers)合并排序,为每侧分配唯一序号,再通过序号一一对应完成连接。该方法时间复杂度为 O(n log n),高效且逻辑清晰。

✅ 推荐实现步骤

  1. 为左右表添加来源标识并合并排序
    使用 .merge_sorted()(要求输入已按 key 排序)或 .concat().sort()(更通用);同时添加 side 列区分来源。

  2. 生成左右表的独立递增 ID
    利用条件累积计数,分别为左、右表行分配严格单调递增的整数 ID(left_id, right_id),确保顺序与数值接近性一致。

  3. 基于 ID 进行等值连接
    将左右 ID 对齐,即可获得一一对应的匹配结果。

以下是完整可运行代码:

import polars as pl

df1 = pl.DataFrame({
    "letters": ["A1", "B1", "C1", "D1", "E1"],
    "numbers": [100, 200, 220, 400, 500]
})

df2 = pl.DataFrame({
    "letters": ["A2", "B2", "C2", "D2", "E2"],
    "numbers": [101, 201, 301, 401, 501]
})

# 步骤1:合并排序 + 标记来源
merged = (
    df1.with_columns(side=pl.lit("left"))
    .merge_sorted(
        df2.with_columns(side=pl.lit("right")), 
        key="numbers"
    )
)

# 步骤2:为左右行分别生成唯一序号(保持排序顺序)
with_ids = merged.with_columns(
    left_id = pl.when(pl.col("side") == "left").then(1).cum_sum(),
    right_id = pl.when(pl.col("side") == "right").then(1).cum_sum()
)

# 步骤3:按序号连接(一对一映射)
result = (
    with_ids.filter(pl.col("side") == "left")
    .join(
        with_ids.filter(pl.col("side") == "right"),
        left_on="left_id",
        right_on="right_id",
        how="left"
    )
    .select(
        "letters", "numbers",
        letters_right=pl.col("letters_right"),
        numbers_right=pl.col("numbers_right")
    )
)

print(result)

输出:

shape: (5, 4)
┌─────────┬─────────┬───────────────┬───────────────┐
│ letters ┆ numbers ┆ letters_right ┆ numbers_right │
│ ---     ┆ ---     ┆ ---           ┆ ---           │
│ str     ┆ i64     ┆ str           ┆ i64           │
╞═════════╪═════════╪═══════════════╪═══════════════╡
│ A1      ┆ 100     ┆ A2            ┆ 101           │
│ B1      ┆ 200     ┆ B2            ┆ 201           │
│ C1      ┆ 220     ┆ C2            ┆ 301           │
│ D1      ┆ 400     ┆ D2            ┆ 401           │
│ E1      ┆ 500     ┆ E2            ┆ 501           │
└─────────┴─────────┴───────────────┴───────────────┘

⚠️ 注意事项与适用边界

  • 前提条件:该方法隐含假设左右表在关键列上“大致一一对应”,且数量相等或接近。若右表远多于左表,末尾未匹配的右表行将被忽略;若左表更多,则末尾左表行无法匹配(结果行数 = min(len(df1), len(df2)))。
  • 排序敏感性:匹配结果完全依赖于合并后的物理顺序,因此 numbers 列需具备良好分布性。若存在大量重复值,建议先去重或添加次级排序键(如 numbers, letters)保证确定性。
  • 性能优势:相比暴力双重循环或图匹配算法,本方案仅需一次排序和两次扫描,适合百万级数据。
  • 扩展性:如需支持“距离阈值过滤”(例如只匹配差值 ≤100 的行),可在 merge_sorted 后添加 filter(abs(numbers - numbers_shifted) 等逻辑,但需谨慎处理窗口偏移。

此方法以简洁、可读、高性能的方式解决了 Polars 原生 API 中缺失的一对一最近邻连接能力,是生产环境中稳健可靠的实践方案。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

笔灵降AI

一款AI论文写作工具,主要用于论文降AI神器,适配知网及维普!一键降至安全线,100%保留原文格式;无口语化问题,文风更学术,降后字数控制最佳!,适合需要提升相关任务效率的用户。

UpDream
UpDream Hot

一款AI视频创作工具,主要用于哔哩哔哩推出的自研AI视频创作工具,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1971

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5604

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1909

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34297

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4007

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4007

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

Nginx CVE-2026-123007排查与防护指南
Nginx CVE-2026-123007排查与防护指南

Nginx HTTP/2漏洞该怎么修复?本专题围绕CVE-2026-123007,介绍安全版本升级、模块兼容检查和配置恢复方法,以及日志排查、权限设置等后续加固操作,方便你按实际部署情况查找对应教程。

0

2026.11.20

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn