如何使用Polars表达式API转换可能不存在的列？

当然可以用Polars的表达式API替代循环实现，而且代码更简洁、性能更优。核心思路是先筛选出目标列表中实际存在于DataFrame的列，再批量执行类型转换，避免循环中多次创建DataFrame的开销。

实现代码 #

import polars as pl

# Sample DataFrame
data = {
    "viewCount": [100, 200, 300],
    "likeCount": [10, 20, 30],
    "id": [1, 2, 3]
}

df = pl.DataFrame(data)

# Columns we want to cast
columns_to_cast = ["viewCount", "likeCount", "favoriteCount", "id", "does_not_exist"]

# 筛选出DataFrame中存在的目标列，批量转换为Float64
existing_cols = [col for col in columns_to_cast if col in df.columns]
df = df.with_columns(pl.col(existing_cols).cast(pl.Float64))

print(df)

效果说明 #

这段代码会自动忽略favoriteCount和does_not_exist这两个不存在的列，只对viewCount、likeCount、id执行Float64类型转换，输出结果和原循环代码完全一致，但执行效率更高——尤其是处理大数据集时，批量操作避免了循环中多次调用with_columns带来的额外开销。

更紧凑的Polars风格写法 #

如果你想完全用表达式API逻辑实现（不单独提取存在的列），可以结合生成器表达式直接传入with_columns：

df = df.with_columns(
    pl.col(col).cast(pl.Float64) 
    for col in columns_to_cast 
    if col in df.columns
)

这种写法代码更紧凑，本质和第一种方法逻辑一致，同样能高效完成类型转换。

内容的提问来源于stack exchange，提问作者apostofes