![Polars 中对嵌套 List[Array] 列进行原地逐元素缩放操作](https://img.php.cn/upload/article/001/246/273/179532886924385.jpg?x-oss-process=image/resize,p_40)
本文详解如何在 Polars 中高效、类型安全地对 List[Array[T, 2]] 类型列(如二维点坐标列表)执行按位置广播的标量除法(例如 x/2、y/4),无需展开或循环,完全利用向量化表达式。
本文详解如何在 polars 中高效、类型安全地对 `list[array[t, 2]]` 类型列(如二维点坐标列表)执行按位置广播的标量除法(例如 x/2、y/4),无需展开或循环,完全利用向量化表达式。
在 Polars 中处理结构化嵌套数据(如 list[array[f32, 2]])时,直接对每个子数组的特定维度应用不同缩放因子(如 x → x/2, y → y/4)需兼顾类型一致性与广播语义。核心在于:Array 类型支持逐元素算术运算,而 list.eval() 可将该能力作用于列表内每个数组。
以下为完整实现流程:
-
构造匹配的除数 Array 字面量
使用pl.lit([2.0, 4.0], dtype=...)创建长度为 2 的Array,其dtype必须与目标列内层Array类型一致(此处为pl.Float32)。推荐通过df.schema['points'].inner自动推导,确保类型严格对齐:
divisors = pl.lit([2.0, 4.0], dtype=df.schema["points"].inner)
使用
list.eval()应用逐数组除法pl.col("points").list.eval(pl.element() / divisors)会对列表中每个Array执行广播除法:[x, y] / [2.0, 4.0] → [x/2.0, y/4.0],结果自动保持Array类型与原始精度。完整代码示例:
import polars as pl
df = pl.DataFrame(
{
"points": [
[[1.0, 2.0]],
[[3.0, 4.0], [5.0, 6.0]],
[[7.0, 8.0], [9.0, 10.0], [11.0, 12.0]],
]
},
schema={"points": pl.List(pl.Array(pl.Float32, 2))}
)
# 定义缩放因子:x/2, y/4
divisors = pl.lit([2.0, 4.0], dtype=df.schema["points"].inner)
result = df.with_columns(
points_scaled=pl.col("points").list.eval(pl.element() / divisors)
)
print(result.select("points_scaled"))
输出:
shape: (3, 1) ┌───────────────────────────────────────────────┐ │ points_scaled │ │ --- │ │ list[array[f32, 2]] │ ╞═══════════════════════════════════════════════╡ │ [[0.5, 0.5]] │ │ [[1.5, 1.0], [2.5, 1.5]] │ │ [[3.5, 2.0], [4.5, 2.5], [5.5, 3.0]] │ └───────────────────────────────────────────────┘
✅ 关键注意事项:
-
divisors的dtype必须与Array内层类型完全一致(如pl.Float32),否则 Polars 将报SchemaMismatch错误; -
pl.lit([...])默认推断为Series,显式传入dtype=是生成Array字面量的必要条件; - 此方法全程零拷贝(in-place 语义),不展开列表,性能远优于
apply或 Python 循环; - 若需更复杂变换(如旋转、平移),可组合
pl.element().get(0)和pl.element().get(1)分别提取 x/y 后计算,再用pl.concat_list重组。
该模式是 Polars 处理高维嵌套数值数据的标准范式,兼具表达力、安全性与性能。










