在 Polars 中，可通过 pl.when().then() 结合 pl.int_range() 生成行索引条件，实现对前 n 行的精准赋值（如设为 null 或自定义值），无需转为 pandas 或使用循环，兼具性能与表达力。
在 polars 中，可通过 `pl.when().then()` 结合 `pl.int_range()` 生成行索引条件，实现对前 n 行的精准赋值（如设为 null 或自定义值），无需转为 pandas 或使用循环，兼具性能与表达力。
Polars 作为高性能 DataFrame 库，不支持类似 Pandas 的 .iloc 原地切片赋值（如 df.iloc[0:5] = np.nan），但提供了更函数式、惰性求值的替代方案。核心思路是：基于行号构造布尔掩码，对满足条件的行返回新值，否则保留原值。
以下为完整示例，将前 5 行的 "test" 列替换为 null（即 Polars 中的 None）：
import polars as pl
import numpy as np
# 构造初始 DataFrame
df = pl.DataFrame({"test": np.arange(0, 10)})
# 替换前 5 行为 null（等价于 Pandas 中 df.iloc[0:5] = np.nan）
df = df.with_columns(
pl.when(pl.int_range(0, pl.len()) <p>输出：</p><pre class="brush:php;toolbar:false;">shape: (10, 1)
┌──────┐
│ test │
│ --- │
│ i64 │
╞══════╡
│ null │
│ null │
│ null │
│ null │
│ null │
│ 5 │
│ 6 │
│ 7 │
│ 8 │
│ 9 │
└──────┘✅ 关键说明：
- pl.int_range(0, pl.len()) 动态生成从 0 到 n_rows-1 的整数序列（每行对应一个索引）；
- pl.when(...).then(...).otherwise(...) 是 Polars 的条件列操作，完全向量化且可优化；
- None 在 Polars 中自动映射为该列对应类型的 null 值（如 i64 列中为 null）；
- 若需替换为非 null 值（如 -999），将 then(None) 改为 then(pl.lit(-999)) 即可。
⚠️ 注意事项：
- 不要尝试 df["test"][0:5] = None —— Polars 的列是不可变的，此操作会报错或静默失败；
- pl.len() 返回当前 DataFrame 行数，确保在 with_columns 中动态适配数据长度；
- 如需批量处理多列，可对每列分别应用相同逻辑，或使用 pl.all() + pl.struct 进阶组合（但通常按列显式处理更清晰）。
该方法完全符合 Polars 的声明式编程范式，在保持代码简洁的同时，充分利用其底层 Arrow 引擎的高效执行能力。
