如何在 Polars 中实现基于多列连通性(等价关系)的动态分组?

夏婷姑娘_2687

夏婷姑娘_2687

2026-11-17

837人浏览

原创

如何在 Polars 中实现基于多列连通性(等价关系)的动态分组?

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。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

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

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。

2023.07.20

1931

4

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。

2023.07.25

5504

7

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。

2023.07.31

1889

3

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。

2023.08.03

33537

23

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。

2023.08.04

3927

5

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。

2023.08.04

3947

5

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。

2023.08.11

1283

5

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。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

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
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习