本文介绍如何在 polars 中对满足特定条件（如数值类型或指定列名）的列执行行级聚合（如求和），同时自动保留原始列顺序，避免手动逐列声明，适用于添加汇总行等场景。
本文介绍如何在 polars 中对满足特定条件（如数值类型或指定列名）的列执行行级聚合（如求和），同时自动保留原始列顺序，避免手动逐列声明，适用于添加汇总行等场景。
在 Polars 中，当需要为 DataFrame 添加一行汇总统计（如总和）并严格保持原有列顺序时，传统方式需显式列出每列并用 lit(None) 填充非聚合列，既冗长又易出错。幸运的是，Polars 提供了更简洁、可扩展的解决方案，支持按数据类型筛选列或按列名模式匹配列，无需硬编码全部列名。
✅ 推荐方案一：使用 concat(..., how="diagonal")（最简洁可靠）
diagonal 模式能自动对齐列结构，缺失列自动补 null，且天然保持原始列顺序：
import polars as pl
df = pl.DataFrame({
"j": [2, 7, 1, 8],
"k": [False, True, True, False],
"l": ["foo", "bar", "quux", "bin"],
"u": [5.0, 8.0, 13.0, 21.0],
})
# 仅对数值列求和（或指定列名如 ["j", "u"]）
sum_row = df.select(pl.col(pl.NUMERIC_DTYPES)).sum() # 自动识别所有数值列
# 或：sum_row = df.select("j", "u").sum()
result = pl.concat([df, sum_row], how="diagonal")
print(result)
输出：
shape: (5, 4) ┌─────┬───────┬──────┬──────┐ │ j ┆ k ┆ l ┆ u │ │ --- ┆ --- ┆ --- ┆ --- │ │ i64 ┆ bool ┆ str ┆ f64 │ ╞═════╪═══════╪══════╪══════╡ │ 2 ┆ false ┆ foo ┆ 5.0 │ │ 7 ┆ true ┆ bar ┆ 8.0 │ │ 1 ┆ true ┆ quux ┆ 13.0 │ │ 8 ┆ false ┆ bin ┆ 21.0 │ │ 18 ┆ null ┆ null ┆ 47.0 │ └─────┴───────┴──────┴──────┘
✅ 优势：语义清晰、零列序维护成本、兼容任意列组合（含嵌套/结构化类型）。
✅ 推荐方案二：单次 select + append（纯链式，无 concat）
若需完全避免 concat，可用 append 构建新列并重排：
# 动态获取目标列（例如：所有整数和浮点列）
numeric_cols = df.select(pl.col(pl.NUMERIC_DTYPES)).columns
result = (
df.select(
# 聚合列：原值 + 总和
*[pl.col(col).append(pl.col(col).sum()) for col in numeric_cols],
# 非聚合列：原值 + null
*[pl.col(col).append(pl.lit(None)) for col in df.columns if col not in numeric_cols]
)
.select(df.columns) # 强制还原原始列序
)
? 提示：pl.NUMERIC_DTYPES 包含 pl.Int8, pl.Float32, pl.Duration 等；也可用 pl.col("^j|u$") 正则匹配列名。
⚠️ 注意事项与最佳实践
- 类型安全：sum() 对布尔列默认转为 i64（True→1），若需逻辑计数请显式 .sum().cast(pl.Int64)。
- 空数据处理：sum() 在全空列返回 null，如需默认值可链式 .fill_null(0)。
- 性能考量：diagonal concat 在大数据集上比多次 append 更高效，推荐优先使用。
- 扩展性：上述模式可轻松替换为 .mean()、.max() 或自定义聚合函数，只需修改 .sum() 部分。
通过结合 pl.NUMERIC_DTYPES、正则列选择器与 diagonal concat，你能在 Polars 中实现真正灵活、可维护的列聚合——告别硬编码，拥抱声明式数据流。
