Polars 1.10+ 支持原生的列表列算术运算与标量广播，可直接用 pl.col("a") * pl.col("b") 实现浮点列与同长列表列的逐元素乘法，生成新列表列，性能远超 map_rows。
polars 1.10+ 支持原生的列表列算术运算与标量广播，可直接用 `pl.col("a") * pl.col("b")` 实现浮点列与同长列表列的逐元素乘法，生成新列表列，性能远超 `map_rows`。
在 Polars 中对列表列（list[i64]）执行标量运算（如乘以浮点数列）曾长期受限，早期需借助 map_rows、explode/implode 或 repeat_by 等间接方式，不仅代码冗长，且易影响性能。自 Polars v1.10.0 起，这一场景已获得原生支持：列表列支持与标量列（或标量值）的逐元素算术运算，并自动广播标量维度。
这意味着，针对如下典型数据结构：
import polars as pl
df_test = pl.DataFrame({
'a': [1.0, 2.0, 3.0],
'b': [[2, 2, 2], [3, 3, 3], [4, 4, 4]]
})
只需一行表达式即可完成目标计算：
result = df_test.with_columns(
new=pl.col("a") * pl.col("b")
)
✅ 输出完全符合预期：
shape: (3, 3) ┌─────┬───────────┬────────────────────┐ │ a ┆ b ┆ new │ │ --- ┆ --- ┆ --- │ │ f64 ┆ list[i64] ┆ list[f64] │ ╞═════╪═══════════╪════════════════════╡ │ 1.0 ┆ [2, 2, 2] ┆ [2.0, 2.0, 2.0] │ │ 2.0 ┆ [3, 3, 3] ┆ [6.0, 6.0, 6.0] │ │ 3.0 ┆ [4, 4, 4] ┆ [12.0, 12.0, 12.0] │ └─────┴───────────┴────────────────────┘
✅ 为什么这是最优解？
- 零拷贝 & 向量化：底层利用 Arrow 的 list-kernel 直接运算，避免 Python 层循环；
- 语义清晰：pl.col("a") * pl.col("b") 直观表达“每行中 a 值乘以 b 列表的每个元素”；
- 无需手动对齐：自动处理长度匹配（要求 b 每个子列表长度一致，否则抛出 ComputeError）；
- 兼容链式操作：可无缝嵌入 with_columns, select, filter 等表达式流。
⚠️ 注意事项
-
版本要求：必须使用 Polars ≥ 1.10.0（发布于 2024 年 10 月）。旧版本需降级方案：
- v1.8.0–v1.9.x：使用 pl.col("a").repeat_by(pl.col("b").list.len()) * pl.col("b")；
- v1.7.x 及更早：推荐 explode → multiply → implode().over() 模式（见下文兼容写法）。
- 类型推断：结果列为 list[f64]（a 的 f64 类型会提升 b 的 i64），无需显式转换。
- 空列表/Null 安全：若 b 包含 null 或空列表，运算将保留对应 null，符合 Polars 的 null 传播规则。
? 兼容旧版本的推荐写法（v1.7+）
若暂无法升级至 v1.10+，以下方案兼顾简洁性与鲁棒性：
df_test.with_columns(
new=(
pl.col("b").explode() * pl.col("a")
).implode().over(pl.int_range(pl.len()))
)
该写法通过 explode 展开列表、向量化乘法、再按原始行索引 over 分组聚合回列表，避免手动管理索引列，且不依赖 map_rows。
总之，升级到 Polars 1.10+ 后，请优先使用原生的 col * list_col 语法——它不仅是语法糖，更是性能与可维护性的双重跃升。
