本文介绍使用 Polars 原生方法（如 with_columns() 配合 pl.lit()）向现有 DataFrame 批量添加空列，避免低效的 cross join 操作，提升代码可读性与执行性能。

本文介绍使用 polars 原生方法（如 `with_columns()` 配合 `pl.lit()`）向现有 dataframe 批量添加空列，避免低效的 cross join 操作，提升代码可读性与执行性能。

在 Polars 中为已有 DataFrame 添加多个新列（尤其是空值或默认值列），最直观但不推荐的做法是构造一个新 DataFrame 并执行 join(how='cross') —— 这不仅语义不清（cross join 本意是笛卡尔积），还会引入冗余计算和内存开销，且当原 DataFrame 行数较多时极易导致性能陡降。

更符合 Polars 函数式、惰性求值设计哲学的方式是使用 .with_columns() 方法配合字面量表达式 pl.lit()。pl.lit() 可将 Python 字面量（如 ''、None、0、False 等）封装为 Polars 表达式（Expression），再通过 .alias() 指定列名，从而实现“零成本”列扩展。

以下是最简洁、推荐的写法：

import polars as pl

df = pl.DataFrame({'a': [1, 2, 3]})
mylist = [f'col{i}' for i in range(1, 4)]

# ✅ 推荐：一行完成多列添加，类型自动推断
result = df.with_columns(
    pl.lit('').alias(col) for col in mylist
)
print(result)

输出：

shape: (3, 4)
┌─────┬──────┬──────┬──────┐
│ a   ┆ col1 ┆ col2 ┆ col3 │
│ --- ┆ ---  ┆ ---  ┆ ---  │
│ i64 ┆ str  ┆ str  ┆ str  │
╞═════╪══════╪══════╪══════╡
│ 1   ┆      ┆      ┆      │
│ 2   ┆      ┆      ┆      │
│ 3   ┆      ┆      ┆      │
└─────┴──────┴──────┴──────┘

? 类型说明：pl.lit('') 默认推断为 StringType；若需显式控制类型（例如添加 null 列并指定为 Int64），可结合 pl.lit(None).cast(pl.Int64) 使用。

你也可以用 map() 替代生成器表达式（功能等价，风格略有差异）：

df.with_columns(map(lambda col: pl.lit('').alias(col), mylist))
# 或更函数式写法（需注意 map 返回迭代器，在 with_columns 中需确保被消费）
df.with_columns(*map(lambda col: pl.lit('').alias(col), mylist))  # 加 * 展开

⚠️ 注意事项：

• pl.lit() 生成的是标量广播表达式：其值会自动广播至 DataFrame 的每一行，无需手动构造长度匹配的列表；
• 避免使用 pl.Series 或 pl.DataFrame 构造后再 join —— 这违背了 Polars “列优先” 和“表达式驱动”的核心范式；
• 若需添加不同默认值（如 col1 → 0, col2 → 'N/A'），可改用字典映射 + 解包：

  defaults = {'col1': 0, 'col2': 'N/A', 'col3': None}
  df.with_columns(pl.lit(v).alias(k) for k, v in defaults.items())

总之，df.with_columns(pl.lit(...).alias(...)) 是 Polars 中添加空列/默认列的标准、高效且语义清晰的方式，应作为首选方案。