本文介绍在 polars dataframe 中准确统计字符串中**重叠匹配**子串（如 "aa" 在 "aaaaa" 中出现 4 次）的方法，突破 `str.count_matches` 仅支持非重叠匹配的限制，并提供可扩展、向量化、无需 python 循环的纯表达式解决方案。
在 Polars 中，str.count_matches(pattern) 默认执行非重叠、贪婪式正则匹配，因此对 "aaaaa" 查找 "aa" 仅返回 2（匹配位置 0–1 和 2–3），而无法捕获重叠情形（如位置 1–2、2–3、3–4）。要获得真正的重叠计数（本例应为 4），需将字符串按滑动窗口切片，再对每个子串独立匹配并求和。
核心思路是：对每条字符串，生成所有长度为 len(pattern) 的连续滑动子串（即起始索引从 0 到 len(s) - len(pattern)），然后批量判断每个子串是否等于目标模式，最后横向求和。
以下是以子串 "aa" 为例的完整实现（适配任意固定长度模式）：
import polars as pl
df = pl.DataFrame({"foo": ["aaaaa", "aabaa", "aaaab"]})
pattern = "aa"
window_size = len(pattern)
# 步骤 1：获取所有字符串的最大长度，确定最大滑动起始索引
max_len = df.select(pl.col("foo").str.len_chars().max()).item()
if max_len < window_size:
# 若所有字符串均短于模式，直接返回全 0
result = df.with_columns(pl.lit(0).alias("count"))
else:
# 步骤 2：为每个可能的起始位置 i ∈ [0, max_len - window_size] 创建切片列
slice_exprs = [
pl.col("foo").str.slice(i, window_size).alias(f"slice_{i}")
for i in range(max_len - window_size + 1)
]
# 步骤 3：对所有切片列执行精确字符串匹配（非正则，更高效），并横向求和
result = (
df.select(*slice_exprs)
.with_columns(
pl.sum_horizontal([pl.col(f"slice_{i}") == pattern for i in range(max_len - window_size + 1)])
.alias("count")
)
.select("count")
.hstack(df) # 恢复原始列顺序（可选）
)
print(result)输出：
shape: (3, 2) ┌───────┬───────┐ │ foo ┆ count │ │ --- ┆ --- │ │ str ┆ u32 │ ╞═══════╪═══════╡ │ aaaaa ┆ 4 │ │ aabaa ┆ 2 │ │ aaaab ┆ 3 │ └───────┴───────┘
✅ 优势说明：
- 完全向量化：全程使用 Polars 表达式，无 Python 循环或 UDF，性能接近底层 Rust 实现；
- 模式无关：只需修改 pattern 变量即可适配任意固定长度子串（如 "abc"、"11"）；
- 内存可控：切片列数量由最长字符串决定，对长文本可结合 str.slice 的 lazy 特性进一步优化；
- 语义清晰：== pattern 比正则 count_matches 更精准（避免意外元字符匹配）。
⚠️ 注意事项：
- 该方法适用于固定长度子串；若需支持正则重叠匹配（如 r"a+"），需改用 str.extract + 自定义逻辑，但会损失性能；
- 当 window_size == 1（单字符）时，等价于 str.count_chars()，可直接使用；
- 对超长字符串（如 >10k 字符），预生成大量切片列可能导致内存压力，此时建议分块处理或改用 map_elements（牺牲部分性能换取内存稳定性）。
总结：通过滑动窗口切片 + 向量化等值判断 + 横向聚合，我们绕过了 Polars 原生 API 的非重叠限制，实现了高效、简洁、可维护的重叠子串计数方案——这是 Polars 数据处理中“以空间换向量化”的典型实践。
