Chapter 06

连接与拼接

掌握 join 的六种连接方式、concat 的纵向/横向拼接、frame 对齐，并厘清与 pandas merge 的差异。

6.1 join 的六种方式

inner（内连接）
只保留两表键都匹配的行。默认方式。
left（左连接）
保留左表全部行，右表匹配不上的列填 null。最常用于"给主表补充维度信息"。
full（全外连接）
两表所有行都保留，任一侧缺失填 null（旧名 outer）。
semi（半连接）
只保留左表中在右表能找到匹配的行，但不带入右表的列。相当于"存在性过滤"。
anti（反连接）
只保留左表中在右表找不到匹配的行。用于"找出没有对应记录的行"。
cross（笛卡尔积）
左右每行两两组合，不需要键。结果行数 = 左行数 × 右行数，慎用。

6.2 基本用法

import polars as pl

users = pl.DataFrame({
    "uid": [1, 2, 3],
    "name": ["Alice", "Bob", "Carol"],
})
orders = pl.DataFrame({
    "uid": [1, 1, 2],
    "amount": [99, 50, 120],
})

# 内连接：只有下过单的用户
users.join(orders, on="uid", how="inner")

# 左连接：所有用户，Carol 的 amount 为 null
users.join(orders, on="uid", how="left")

# 反连接：找出从没下单的用户（Carol）
users.join(orders, on="uid", how="anti")

6.3 键名不同 / 多键

# 左右键名不同
left.join(right, left_on="user_id", right_on="uid")

# 多键连接
a.join(b, on=["date", "region"], how="left")

# 处理列名冲突：右表同名列加后缀
a.join(b, on="id", suffix="_right")

6.4 join_asof：按最近键连接

时间序列常用：为左表每行找右表中"时间不晚于它的最近一条"，用于对齐不同频率的数据（如把行情价格贴到交易记录上）。

trades.join_asof(
    quotes,
    on="time",
    by="symbol",      # 先按 symbol 分组再 asof
    strategy="backward", # 取不晚于的最近一条
)

6.5 concat：拼接

# 纵向：堆叠行（列须一致），等价 SQL UNION ALL
pl.concat([df1, df2], how="vertical")

# 横向：并排列（行数须一致）
pl.concat([df1, df2], how="horizontal")

# diagonal：列不完全相同也能堆，缺的填 null
pl.concat([df1, df2], how="diagonal")
vertical_relaxed

纵向拼接时若同名列 dtype 略有不同（如 Int32 vs Int64），用 how="vertical_relaxed" 让 Polars 自动做超类型提升，避免报错。

6.6 vs pandas merge

操作pandasPolars
连接pd.merge(a, b, on=...)a.join(b, on=...)
连接类型参数how='inner/left/outer'how='inner/left/full/semi/anti/cross'
半/反连接需 isin/indicator 变通原生 semi / anti
纵向拼接pd.concat([a, b])pl.concat([a, b])
近邻连接pd.merge_asofjoin_asof
Lazy 优化❌✅ 可在 Lazy 里被优化
连接会放大数据

右表键不唯一时，一对多连接会让结果行数暴涨（"扇出"）。连接前用 right.unique(subset=key) 或先聚合，确认键的重复度，避免结果爆炸。

6.7 小结与下一步