
本文介绍使用 Polars 的 list.eval() 与 pl.lit() 构造广播式数组除法,对 List[Array[f32, 2]] 类型列中每个 (x, y) 坐标执行独立缩放(如 x÷2、y÷4),全程零拷贝、类型安全、无需 Python 循环。
本文介绍使用 polars 的 `list.eval()` 与 `pl.lit()` 构造广播式数组除法,对 `list[array[f32, 2]]` 类型列中每个 `(x, y)` 坐标执行独立缩放(如 x÷2、y÷4),全程零拷贝、类型安全、无需 python 循环。
在 Polars 中处理嵌套结构(如 List[Array])时,直接对内层数组进行向量化运算需借助 list.eval() —— 它允许你在每个列表项(即每个 Array[f32, 2])上应用表达式,且支持与标量或同形数组的广播运算。
核心思路是:将缩放因子 [2.0, 4.0] 构造成一个 pl.Array 字面量(literal),其 dtype 和长度必须严格匹配目标数组(此处为 pl.Array(pl.Float32, 2)),再通过 / 运算符实现按位置(x 对应索引 0,y 对应索引 1)的逐元素除法。
以下是完整可运行示例(适配你的原始需求:x ÷ 2,y ÷ 4):
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))},
)
# ✅ 正确构造广播除数:dtype 必须与 inner type 一致(Float32),长度为 2
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:
-
pl.lit([...])必须显式指定dtype=,推荐复用df.schema[col].inner获取原始 inner type,避免隐式转换导致精度丢失或报错; -
pl.element()在list.eval()中代表当前列表中的单个Array,支持原生数组运算(+、−、×、÷、** 等),无需.to_list()或.to_numpy(); - 若需「原地修改」(覆盖原列),将
points_scaled替换为"points"即可:.with_columns(points=pl.col("points").list.eval(...)); - 不支持对
List[List[...]]直接操作;本方案仅适用于List[Array]—— Polars 的Array类型专为固定长度同构数值向量设计,是高效坐标批处理的理想载体。
总结:利用 list.eval() + pl.lit(Array) 实现嵌套数组的向量化缩放,既保持 Polars 的惰性计算与零拷贝优势,又规避了 Python 层循环和类型转换开销,是处理地理坐标、特征向量等二维点集的推荐范式。










