如何在 Polars 中实现“一对一”最近邻匹配连接(避免右表行重复使用)

大明小哥_6965

大明小哥_6965

2026-11-20

982人浏览

原创

如何在 Polars 中实现“一对一”最近邻匹配连接(避免右表行重复使用)

本文介绍在 Polars 中实现严格一对一的最近邻匹配连接:确保右表每行至多被左表一个行匹配,彻底规避 join_asof(..., strategy="nearest") 中右表行被多次复用的问题。核心思路是合并排序 + 顺序配对。

本文介绍在 polars 中实现严格一对一的最近邻匹配连接:确保右表每行至多被左表一个行匹配,彻底规避 `join_asof(..., strategy="nearest")` 中右表行被多次复用的问题。核心思路是合并排序 + 顺序配对。

在 Polars 中,join_asof 的 "nearest" 策略虽能按数值距离查找最接近的匹配,但不保证右表(other)行的一对一使用——如示例中 B2(201)同时匹配了 B1(200)和 C1(220),导致右表行被重复消耗。而实际业务场景(如订单与库存分配、信号时间对齐、实验组对照匹配等)常要求严格的一对一最近邻分配:每个右表记录仅服务一个左表记录,且整体匹配总距离最小(或按顺序就近绑定)。

解决该问题的关键在于放弃“广播式”查找,转为有序流式配对。Polars 提供了高效、无循环的声明式方案:利用 merge_sorted(要求两表已按连接键升序)或 concat + sort(通用情形)将左右表合并为单一流,再通过累积计数生成一一对应的配对 ID,最后通过常规 join 完成关联。

以下是完整实现步骤:

✅ 步骤 1:准备带来源标识的有序合并

首先为左右表分别添加 side 列标记来源,并确保 numbers 列已排序(若未排序,先 .sort("numbers")):

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]
})

# 添加 side 标识并合并排序(要求 numbers 已升序;否则先 sort)
merged = (
    df1.with_columns(side=pl.lit("left"))
    .merge_sorted(
        df2.with_columns(side=pl.lit("right")), 
        key="numbers"
    )
    .with_columns(
        # 为 left 行生成递增 ID:1,2,3...
        left_id = pl.when(pl.col("side") == "left").then(1).cum_sum(),
        # 为 right 行生成递增 ID:1,2,3...
        right_id = pl.when(pl.col("side") == "right").then(1).cum_sum()
    )
)

此时 merged 包含交错排列的左右表行(按 numbers 升序),并拥有严格一一映射的 left_id 与 right_id(见下表):

shape: (10, 6)
┌─────────┬─────────┬───────┬────────┬─────────┐
│ letters ┆ numbers ┆ side  ┆ left_id┆ right_id│
│ ---     ┆ ---     ┆ ---   ┆ ---    ┆ ---     │
│ str     ┆ i64     ┆ str   ┆ u32    ┆ u32     │
╞═════════╪═════════╪═══════╪════════╪═════════╡
│ A1      ┆ 100     ┆ left  ┆ 1      ┆ null    │
│ A2      ┆ 101     ┆ right ┆ null   ┆ 1       │
│ B1      ┆ 200     ┆ left  ┆ 2      ┆ null    │
│ B2      ┆ 201     ┆ right ┆ null   ┆ 2       │
│ C1      ┆ 220     ┆ left  ┆ 3      ┆ null    │
│ C2      ┆ 301     ┆ right ┆ null   ┆ 3       │
│ D1      ┆ 400     ┆ left  ┆ 4      ┆ null    │
│ D2      ┆ 401     ┆ right ┆ null   ┆ 4       │
│ E1      ┆ 500     ┆ left  ┆ 5      ┆ null    │
│ E2      ┆ 501     ┆ right ┆ null   ┆ 5       │
└─────────┴─────────┴───────┴────────┴─────────┘

⚠️ 注意:此方法默认按全局排序位置顺序配对(第1个 left ↔ 第1个 right),而非严格数学意义的“总距离最小”最优匹配(后者需匈牙利算法,计算复杂度高)。但在多数时序/有序数据场景中(如传感器采样、交易时间戳),该顺序配对天然满足“就近优先”,且性能极佳(O(n+m))。

✅ 步骤 2:执行一对一连接

基于生成的 ID 列进行内连接,即可获得严格一对一的匹配结果:

result = (
    merged.filter(pl.col("side") == "left")
    .join(
        merged.filter(pl.col("side") == "right"),
        left_on="left_id",
        right_on="right_id",
        how="inner"
    )
    .select(
        pl.col("letters").alias("letters_left"),
        pl.col("numbers").alias("numbers_left"),
        pl.col("letters_right").alias("letters_right"),
        pl.col("numbers_right").alias("numbers_right")
    )
)

print(result)

输出:

shape: (5, 4)
┌──────────────┬────────────────┬───────────────┬─────────────────┐
│ letters_left ┆ numbers_left   ┆ 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             │
└──────────────┴────────────────┴───────────────┴─────────────────┘

✅ 成功实现:每个 df2 行(A2~E2)仅出现一次,且匹配距离合理(C1(220) 与 C2(301) 距离 81,优于与 B2(201) 的 19 —— 但注意:此处因 B2 已被 B1 占用,故 C1 自动顺延匹配下一个可用 C2,符合“不可复用”约束)。

? 关键注意事项

  • 排序前提:merge_sorted 要求输入 DataFrame 的 key 列必须已升序排列。若不确定,请先调用 .sort("numbers");或改用更鲁棒的 pl.concat([df1, df2]).sort("numbers")。
  • ID 对齐逻辑:left_id 和 right_id 的生成依赖 cum_sum() 在混合流中的顺序,因此必须确保合并后行严格按 numbers 递增排列。
  • 缺失值处理:若左右表长度不等(如 df1 有6行,df2 有4行),则末尾2个 left_id 将无对应 right_id,join 后自动丢弃(即只返回4对)。如需保留未匹配左表行,可改为 how="left" 并处理 null 右字段。
  • 性能优势:全程基于 Polars 原生表达式,零 Python 循环,适用于百万级数据。

该方案以简洁、高效、可读性强的方式,完美解决了 Polars 中“一对一最近邻连接”的刚需,是生产环境中推荐的标准实践。

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

1971

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

5604

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

1909

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

34317

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

4007

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

4007

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

1303

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

3123

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