Polars 提供了原生的 dtype.min() 和 dtype.max() 方法来获取整型和浮点型数据类型的取值范围，无需转换为 NumPy 类型即可直接获取极值；但注意其不直接提供类似 numpy.finfo(dtype).eps 的机器精度（epsilon）属性。
polars 提供了原生的 `dtype.min()` 和 `dtype.max()` 方法来获取整型和浮点型数据类型的取值范围，无需转换为 numpy 类型即可直接获取极值；但注意其不直接提供类似 `numpy.finfo(dtype).eps` 的机器精度（epsilon）属性。
在 Polars 中，无需借助 NumPy 即可高效查询数据类型的数值边界——这正是 polars.DataType 子类（如 pl.Int32、pl.Float64 等）内置的 .min() 和 .max() 方法的核心用途。这些方法返回对应类型的理论最小值与最大值（以 Python 原生整数或浮点数形式），语义清晰、开销极低，且完全避免了将整个 Series 或 DataFrame 转为 NumPy 数组的内存与性能损耗。
例如，以下代码可系统性地检查常见数值类型：
import polars as pl
print("Unsigned integers:")
for dtype in [pl.UInt8, pl.UInt16, pl.UInt32, pl.UInt64]:
print(f"{dtype.__name__:>8}: min={dtype.min():>20}, max={dtype.max():>20}")
print("\nSigned integers:")
for dtype in [pl.Int8, pl.Int16, pl.Int32, pl.Int64]:
print(f"{dtype.__name__:>8}: min={dtype.min():>20}, max={dtype.max():>20}")
print("\nFloating-point types:")
for dtype in [pl.Float32, pl.Float64]:
print(f"{dtype.__name__:>8}: min={dtype.min():>20}, max={dtype.max():>20}")
⚠️ 注意事项：
-
无
eps等价物：Polars 当前（v1.0+）未为浮点类型提供.eps或.smallest_subnormal等精度相关属性。若需获取机器精度（如np.finfo(np.float64).eps），可安全地通过np.finfo(pl_dtype.to_numpy_dtype())间接调用（见下文）； -
类型转换零成本：
pl.DataType.to_numpy_dtype()方法可将 Polars 类型映射为对应的 NumPy dtype（如pl.Float64.to_numpy_dtype() → np.float64），该操作仅做元信息映射，不涉及数据拷贝； -
正确使用浮点类型：示例中原始问题误将
pl.UInt*用于“Floats”分组，实际应使用pl.Float32/64；二者.min()/.max()返回有限值（如±3.4028235e+38），而np.finfo还能提供tiny、smallest_subnormal等底层浮点特征。
✅ 推荐实践：对整型类型，优先使用 .min()/.max()；对浮点类型，若需完整精度信息，可组合使用：
import numpy as np
dtype = pl.Float64
np_dtype = dtype.to_numpy_dtype()
finfo = np.finfo(np_dtype)
print(f"eps = {finfo.eps}, smallest_subnormal = {finfo.smallest_subnormal}")
总之，Polars 的类型系统设计强调轻量与明确性——.min()/.max() 是获取极值的首选方案，而与 NumPy 的互操作则通过 to_numpy_dtype() 优雅桥接，兼顾性能与功能完整性。
