本文介绍如何在 polars 中将具有相同前缀（如 `a_0`, `a_1`, `a_2`）的多列纵向堆叠为单列（如 `a`），同时自动复制其他非模式列（如 `words`, `groups`）以匹配扩展后的行数。
在数据预处理中，常需将“宽格式”的分组列（如 a_0, a_1, a_2 和 b_0, b_1, b_2）转换为“长格式”——即把每个前缀对应的所有列值垂直拼接（[a_0; a_1; a_2]），而非横向聚合。与此同时，其余标识性列（如 words、groups）需按需重复，确保每条新记录仍能正确关联原始语义。这本质上是 unpivot + 分组索引 + pivot 的组合操作，关键在于构造稳定的行序关系。
以下为完整实现方案（基于 Polars 0.20+）：
import polars as pl
import numpy as np
import string
# 构造示例数据（同问题）
rng = np.random.default_rng(42)
nr = 3
letters = list(string.ascii_letters)
uppercase = list(string.ascii_uppercase)
words, groups = [], []
for i in range(nr):
word = ''.join([rng.choice(letters) for _ in range(rng.integers(3, 20))])
words.append(word)
group = rng.choice(uppercase)
groups.append(group)
df = pl.DataFrame({
"a_0": np.linspace(0, 1, nr),
"a_1": np.linspace(1, 2, nr),
"a_2": np.linspace(2, 3, nr),
"b_0": np.random.rand(nr),
"b_1": 2 * np.random.rand(nr),
"b_2": 3 * np.random.rand(nr),
"words": words,
"groups": groups,
})
# ✅ 核心转换：三步法
result = (
df
.unpivot(
index=["words", "groups"], # 指定需保留并重复的列（不参与展开）
on=[col for col in df.columns if "_" in col and col.split("_")[-1].isdigit()] # 显式指定要展开的列（更安全）
)
.with_columns(
pl.col("variable").str.replace(r"_\d+$", "") # 提取前缀：a_0 → "a"，b_1 → "b"
)
.with_columns(
index=pl.int_range(0, pl.len()).over("variable") # 每个前缀组内独立编号：a组0,1,2；b组0,1,2
)
.pivot(
on="variable",
index=["index", "words", "groups"],
values="value",
aggregate_function=None # 禁用聚合，确保一一映射
)
.drop("index") # 移除辅助索引列
)
print(result)输出结果与预期一致：
shape: (9, 4) ┌─────────────────┬────────┬─────┬──────────┐ │ words ┆ groups ┆ a ┆ b │ │ --- ┆ --- ┆ --- ┆ --- │ │ str ┆ str ┆ f64 ┆ f64 │ ╞═════════════════╪════════╪═════╪══════════╡ │ OIww ┆ W ┆ 0.0 ┆ 0.653892 │ │ KkeB ┆ Z ┆ 0.5 ┆ 0.408888 │ │ NLOAgRxAtjWOHuQ ┆ O ┆ 1.0 ┆ 0.423949 │ │ OIww ┆ W ┆ 1.0 ┆ 0.234362 │ │ KkeB ┆ Z ┆ 1.5 ┆ 0.213767 │ │ NLOAgRxAtjWOHuQ ┆ O ┆ 2.0 ┆ 0.646378 │ │ OIww ┆ W ┆ 2.0 ┆ 0.880558 │ │ KkeB ┆ Z ┆ 2.5 ┆ 1.833025 │ │ NLOAgRxAtjWOHuQ ┆ O ┆ 3.0 ┆ 0.116173 │ └─────────────────┴────────┴─────┴──────────┘
关键要点说明：
- unpivot(index=...) 是基石：它将所有非 index 列转为两列（variable, value），同时自动复制 index 列内容到每一行，为后续对齐奠定基础。
- 正则提取前缀：使用 str.replace(r"_\d+$", "") 安全剥离末尾 _数字，避免误伤含下划线的其他列名（如 user_id_2024）。
- over("variable") 构造组内序号：确保 a_0, a_1, a_2 的值在堆叠后仍保持原始行序，并与 b_0, b_1, b_2 严格对齐。
- pivot(..., index=[...])：以 index（组内序号）和标识列（words, groups）共同作为行键，保证 pivot 后每行唯一且语义完整。
- 显式指定 on= 列（推荐）：比依赖字符串匹配更鲁棒，尤其当数据中存在非模式列（如 c_extra）时可避免误卷积。
⚠️ 注意：若原始列名存在歧义（如 a_10, a_1），建议先标准化命名（如 a_01, a_10）或改用 pl.col("^a_\\d+$") 正则选择器，确保列筛选准确。
该方法高效、声明式强，适用于任意数量的前缀组（a_*, b_*, c_*…），且完全惰性执行，可无缝集成至 Polars LazyFrame 流水线。
