Polars 的 with_columns 中，同一调用内新建的列无法被后续表达式直接引用（如先建 "AB" 再用 "AB" 建 "ABC"），但可通过预定义表达式变量或海象运算符优雅复用，避免多次调用 with_columns 且不牺牲性能。
polars 的 `with_columns` 中，同一调用内新建的列无法被后续表达式直接引用（如先建 `"ab"` 再用 `"ab"` 建 `"abc"`），但可通过预定义表达式变量或海象运算符优雅复用，避免多次调用 `with_columns` 且不牺牲性能。
在 Polars 中，with_columns（以及 select、filter、group_by 等）内部的所有表达式是并行求值的——这意味着：即使你在同一 with_columns 调用中先声明 (pl.col("A") + pl.col("B")).alias("AB")，后声明 (pl.col("AB") + pl.col("C")).alias("ABC")，后者仍会报错 Column not found: AB。原因在于 "AB" 列在逻辑执行时尚未“落地”，它仅是待计算的表达式节点，而非已存在的列。
✅ 正确做法不是拆成两次 with_columns（虽可行但冗余），而是复用表达式对象本身：
import polars as pl
df = pl.DataFrame({
"a": [1, 4],
"b": [2, 5],
"c": [3, 6],
})
# ✅ 推荐：提前定义表达式，多次复用
ab_expr = pl.col("a") + pl.col("b")
result = df.with_columns(
ab_expr.alias("ab"),
(ab_expr + pl.col("c")).alias("abc"),
)
print(result)
输出：
shape: (2, 5) ┌─────┬─────┬─────┬─────┬─────┐ │ a ┆ b ┆ c ┆ ab ┆ abc │ │ --- ┆ --- ┆ --- ┆ --- ┆ --- │ │ i64 ┆ i64 ┆ i64 ┆ i64 ┆ i64 │ ╞═════╪═════╪═════╪═════╪═════╡ │ 1 ┆ 2 ┆ 3 ┆ 3 ┆ 6 │ │ 4 ┆ 5 ┆ 6 ┆ 9 ┆ 15 │ └─────┴─────┴─────┴─────┴─────┘
? 关键优势：Polars 的查询优化器会自动识别 ab_expr 是共享子表达式，并在物理执行计划中只计算一次（通过内部临时别名如 __POLARS_CSER_... 复用）。可通过 .lazy().explain() 验证：
df.lazy().with_columns(
ab_expr.alias("ab"),
(ab_expr + pl.col("c")).alias("abc"),
).explain()
你将看到嵌套的 WITH_COLUMNS 结构，证实 ab_expr 被提升为独立子计划并复用。
? 进阶技巧：若追求更紧凑写法，可结合 Python 3.8+ 的海象运算符（:=）在表达式内部完成赋值（注意：仅限表达式上下文，不可用于语句）：
result = df.with_columns(
(ab_expr := pl.col("a") + pl.col("b")).alias("ab"),
(ab_expr + pl.col("c")).alias("abc"),
)
⚠️ 注意事项：
- 海象运算符在此处是语法糖，本质仍是表达式复用，不改变执行语义；
- 避免在
with_columns中混用“列名引用”与“同批新建列名”（如pl.col("ab")），应始终使用表达式变量； - 此模式同样适用于链式复杂计算（如
ab → abc → abcd），只需逐层定义表达式变量即可保持清晰与高效。
总结：Polars 的列创建是声明式、惰性且高度优化的。理解“表达式复用 > 列名引用”的原则，能写出更简洁、更高效、更易维护的 Polars 代码。
