在 Polars 中，是否有更好的方法仅返回字符串中的项目（如果它们使用 .is_in 匹配列表中的项目）？

Question

有没有更好的方法来仅返回 Polars 数组中的每个

pl.element()

（如果它与列表中包含的项目匹配）？

虽然它有效，但我收到错误

The predicate 'col("").is_in([Series])' in 'when->then->otherwise' is not a valid aggregation and might produce a different number of rows than the group_by operation would. This behavior is experimental and may be subject to change

警告，这让我相信可能有更简洁/更好的方法：

import polars as pl

terms = ['a', 'z']

(pl.LazyFrame({'a':['x y z']})
   .select(pl.col('a')
             .str.split(' ')
             .list.eval(pl.when(pl.element().is_in(terms))
                          .then(pl.element())
                          .otherwise(None))
             .list.drop_nulls()
             .list.join(' ')
           )
   .fetch()
 )

为了子孙后代，它用

.map_elements()

代替了我之前的尝试：

import polars as pl
import re

terms = ['a', 'z']

(pl.LazyFrame({'a':['x y z']})
   .select(pl.col('a')
             .str.split(' ')
             .map_elements(lambda x: ' '.join(list(set(re.findall('|'.join(terms), x)))),
                           return_dtype = pl.Utf8)
           )
   .fetch()
 )

Answer 1

除了 @jqurious 在评论中列出的技巧之外，您还可以进行正则表达式提取。这开始很简单，但当我尝试不同的东西时变得有点笨拙。 Rust 正则表达式引擎的优点是它的性能非常好。坏处是它没有环顾四周，所以周围的工作使它看起来很笨重。

在没有环顾四周的情况下，为了确保我们没有从斑马中取出 z，我必须提取术语前后的空格。当然，第一个字母之前没有空格，最后一个字母之后也没有空格，所以这就是我在初始列之前和之后连接空格的原因。此外，为了确保它可以连续捕获两个字母，我必须将所有单空格替换为双空格，在提取步骤后将其替换回单空格。

terms = ['a', 'z', 'x']
termsre = "(" + "|".join([f" {x} " for x in terms]) + ")"
(pl.LazyFrame({'a':['x y z z zebra a', 'x y z', 'a b c']})
 .with_columns(
     b = (pl.lit(" ") + pl.col('a')
       .str.replace_all(" ", "  ") + pl.lit(" "))
       .str.extract_all(termsre)
       .list.join('')
       .str.replace_all("  "," ")
       .str.strip_chars()
 )
 .collect()
)
shape: (3, 2)
┌─────────────────┬─────────┐
│ a               ┆ b       │
│ ---             ┆ ---     │
│ str             ┆ str     │
╞═════════════════╪═════════╡
│ x y z z zebra a ┆ x z z a │
│ x y z           ┆ x z     │
│ a b c           ┆ a       │
└─────────────────┴─────────┘

旁注，

fetch

用于调试有限行数。您通常希望使用

collect