本文介绍了如何使用 Polars 库将包含逗号分隔整数的字符串列转换为多个整数列。通过 `.str.strip_chars()`, `.cast(pl.List(pl.Int32))`, `.list.to_struct()` 以及 `.unpivot()` 和 `.pivot()` 等方法，可以高效地实现这一转换，并提供了代码示例进行演示，帮助读者更好地理解和应用。
在数据处理中，经常会遇到将包含逗号分隔数值的字符串列转换为数值列的需求。Polars 提供了多种方法来高效地完成这一任务。本文将介绍几种常用的方法，并提供详细的代码示例。
方法一：使用 str.strip_chars(), str.split(), cast() 和 list.to_struct()
这种方法的核心思想是先去除字符串末尾的逗号，然后将字符串分割成列表，再将列表转换为结构体，最后将结构体展开为多个列。
import polars as pl
df = pl.DataFrame(
{
"chrom": ["1", "1", "2", "X"],
"blockSizes": ["10,29,", "20,22,", "30,25,", "40,23,"],
"blockStarts": ["0,50,", "0,45,", "0,60,", "0,70,"]
})
cols = "blockSizes", "blockStarts"
(df.with_columns(
pl.col(col)
.str.strip_chars(",")
.str.split(",")
.cast(pl.List(pl.Int32))
.list.to_struct(
n_field_strategy = "max_width",
fields = lambda idx, col=col: f"{col}_{idx}"
)
for col in cols
)
.unnest(cols)
)代码解释：
- pl.col(col).str.strip_chars(","): 去除指定列 col 中字符串末尾的逗号。
- .str.split(","): 将字符串按照逗号分割成字符串列表。
- .cast(pl.List(pl.Int32)): 将字符串列表转换为整数列表。
- .list.to_struct(...): 将列表转换为结构体，n_field_strategy="max_width" 表示使用列表的最大长度作为结构体的字段数量，fields=lambda idx, col=col: f"{col}_{idx}" 用于动态地为结构体字段命名，例如 blockSizes_0, blockSizes_1。
- .unnest(cols): 将结构体展开为多个列。
输出结果：
shape: (4, 5) ┌───────┬──────────────┬──────────────┬───────────────┬───────────────┐ │ chrom ┆ blockSizes_0 ┆ blockSizes_1 ┆ blockStarts_0 ┆ blockStarts_1 │ │ --- ┆ --- ┆ --- ┆ --- ┆ --- │ │ str ┆ i32 ┆ i32 ┆ i32 ┆ i32 │ ╞═══════╪══════════════╪══════════════╪═══════════════╪═══════════════╡ │ 1 ┆ 10 ┆ 29 ┆ 0 ┆ 50 │ │ 1 ┆ 20 ┆ 22 ┆ 0 ┆ 45 │ │ 2 ┆ 30 ┆ 25 ┆ 0 ┆ 60 │ │ X ┆ 40 ┆ 23 ┆ 0 ┆ 70 │ └───────┴──────────────┴──────────────┴───────────────┴───────────────┘
为了代码更简洁，可以定义一个函数来封装上述操作：
def csv_to_struct(col):
expr = pl.col(col).str.strip_chars(",").str.split(",")
expr = expr.cast(pl.List(pl.Int32))
return expr.list.to_struct(
n_field_strategy = "max_width",
fields = lambda idx: f"{col}_{idx}"
)
cols = "blockSizes", "blockStarts"
df.with_columns(map(csv_to_struct, cols)).unnest(cols)方法二：使用 unpivot() 和 pivot()
这种方法的核心思想是先将数据进行 unpivot 操作，将多个列合并为一个列，然后对列进行处理，最后再进行 pivot 操作，将数据恢复为原来的形式。
cols = "blockSizes", "blockStarts"
(df.with_row_index()
.with_columns(
pl.col(cols).str.strip_chars(",").str.split(",").cast(pl.List(int))
)
.explode(cols)
.unpivot(index=["index", "chrom"], variable_name="name")
.with_columns(
pl.format("{}_{}",
"name",
pl.col("index").cum_count().over("index", "name") - 1
)
)
.pivot(on="name", index=["index", "chrom"])
)代码解释：
- df.with_row_index(): 添加一个行索引列。
- pl.col(cols).str.strip_chars(",").str.split(",").cast(pl.List(int)): 与方法一相同，去除逗号，分割字符串，转换为整数列表。
- .explode(cols): 将列表展开为多行。
- .unpivot(index=["index", "chrom"], variable_name="name"): 将 blockSizes 和 blockStarts 列 unpivot 为一个名为 name 的列。
- .with_columns(...): 创建新的列名，使用 pl.format 结合 pl.col("index").cum_count().over("index", "name") - 1 生成 blockSizes_0, blockSizes_1 等列名。
- .pivot(on="name", index=["index", "chrom"]): 将数据 pivot 回原来的形式。
输出结果：
shape: (4, 6) ┌───────┬───────┬──────────────┬──────────────┬───────────────┬───────────────┐ │ index ┆ chrom ┆ blockSizes_0 ┆ blockSizes_1 ┆ blockStarts_0 ┆ blockStarts_1 │ │ --- ┆ --- ┆ --- ┆ --- ┆ --- ┆ --- │ │ u32 ┆ str ┆ i64 ┆ i64 ┆ i64 ┆ i64 │ ╞═══════╪═══════╪══════════════╪══════════════╪═══════════════╪═══════════════╡ │ 0 ┆ 1 ┆ 10 ┆ 29 ┆ 0 ┆ 50 │ │ 1 ┆ 1 ┆ 20 ┆ 22 ┆ 0 ┆ 45 │ │ 2 ┆ 2 ┆ 30 ┆ 25 ┆ 0 ┆ 60 │ │ 3 ┆ X ┆ 40 ┆ 23 ┆ 0 ┆ 70 │ └───────┴───────┴──────────────┴──────────────┴───────────────┴───────────────┘
总结
本文介绍了两种使用 Polars 将包含逗号分隔整数的字符串列转换为整数列的方法。第一种方法使用了 str.strip_chars(), str.split(), cast() 和 list.to_struct()，思路清晰，易于理解。第二种方法使用了 unpivot() 和 pivot()，代码更简洁，但理解起来可能稍有难度。选择哪种方法取决于具体的需求和个人偏好。在实际应用中，可以根据数据的特点和性能要求选择最适合的方法。
注意事项：
- 确保字符串中的数值都是整数，否则在 cast() 步骤会报错。
- 如果字符串中包含缺失值，需要先进行处理，例如使用 str.replace() 将缺失值替换为 0。
- 如果列表的长度不一致，list.to_struct() 会使用最长的列表长度作为结构体的字段数量，较短的列表会用 None 填充。
希望本文能够帮助你更好地使用 Polars 进行数据处理。
