Polars 自定义函数返回多列的正确实现方式

Polars 自定义函数返回多列的正确实现方式

在 Polars 中，自定义函数需直接返回多个 Expr 对象（而非 struct），再通过生成器表达式或字典解包动态重命名并注入列，才能高效、可扩展地添加多列。

想在 Polars 里用自定义函数一次性生成多列数据？这个需求很常见，但实现方式上有个“坑”不少人都踩过。简单来说，关键在于让函数直接返回多个独立的表达式对象，而不是把它们打包成一个结构体。

Polars 的 with_columns() 方法本身支持批量添加列，这没问题。但问题出在，它不支持将 pl.struct() 的结果通过 .alias([“col1”, “col2”]) 自动拆分成多列——这是初学者最容易误解的地方。pl.struct() 创建的是一个嵌套的结构体列（也就是单列里面包着一个结构），它并不会自动展开成平行的多列。正确的思路是，让自定义函数直接返回多个独立的 Expr 实例，然后借助 Polars 的表达式组合机制来完成列名的绑定和插入。

✅ 推荐实现：函数返回元组，配合 enumerate 动态别名

import polars as pl
import numpy as np

def _func(x: pl.Expr) -> tuple[pl.Expr, pl.Expr]:
    x1 = x + 1
    x2 = x + 2
    return x1, x2  # 直接返回两个 Expr，非 struct！

df = pl.DataFrame({"test": np.arange(1, 11)})

# 方式1：按序号自动命名（推荐，可扩展至 N 列）
result = df.with_columns(
    expr.alias(f"test{i+1}") 
    for i, expr in enumerate(_func(pl.col("test"))))
print(result)

输出结果如下：

shape: (10, 3)
┌──────┬───────┬───────┐
│ test ┆ test1 ┆ test2 │
│ ---  ┆ ---   ┆ ---   │
│ i32  ┆ i32   ┆ i32   │
╞══════╪═══════╪═══════╡
│ 1    ┆ 2     ┆ 3     │
│ 2    ┆ 3     ┆ 4     │
│ …    ┆ …     ┆ …     │
└──────┴───────┴───────┘

✅ 优势：无需硬编码列名，轻松适配任意数量返回值（如后续改为 x+1, x+2, x+3, x+4，仅需保持 enumerate 逻辑即可）。

? 灵活命名方案：使用 zip 或字典解包

如果需要为每一列指定自定义名称（比如叫 “a”、“b”），也有两种简洁明了的写法。

方式2：zip + 生成器（语义清晰）

df.with_columns(
    expr.alias(name) 
    for expr, name in zip(_func(pl.col("test")), ["a", "b"]))

方式3：字典解包（函数式风格，适合配置驱动）

df.with_columns(
    **dict(zip(["a", "b"], _func(pl.col("test")))))

这两种方式都避免了手动进行冗长的 .alias() 链式调用。更重要的是，它们天然支持名称列表和表达式序列的长度对齐——一旦长度不匹配，就会抛出 ValueError，这有助于在开发早期就发现问题。

⚠️ 注意事项与最佳实践

• ❌ 不要使用 pl.struct([...]).alias([...])：Polars 不支持结构体列的“多别名展开”，这种写法要么静默失败，要么会报 SchemaError。
• ✅ 函数签名建议明确标注返回类型（如 tuple[pl.Expr, ...]），这能显著提升代码的可维护性和 IDE 的智能提示支持。
• ? 性能考量：如果计算逻辑复杂，当然可以封装为 pl.UDF（用户定义函数）。但纯表达式链（如本例）性能通常更优，应当优先考虑。
• ? 输入一致性：所有返回的 Expr 必须基于同一个输入列（例如都是 pl.col(“test”)），否则可能触发 ComputeError。如果需要跨列运算，建议在 with_columns() 外部统一组织好逻辑。

掌握以上方法，你不仅能精准实现双列输出，还能无缝扩展到任意多列的场景。这样一来，代码在简洁性、可读性以及 Polars 本身的高性能计算范式之间，就取得了很好的平衡。