如何在Polars中高效删除指定列之后的所有列？

Polars提供了两种高效的实现方式，完全匹配你的需求，且充分利用其列存引擎的性能优势：

方式一：基于列索引切片 #

和你在Pandas中的思路逻辑一致，先定位目标列的索引，再切片选择范围：

import polars as pl

# 读取CSV文件（大文件推荐用scan_csv做惰性读取）
df = pl.read_csv("your_data.csv")
# 获取目标列'XYZ'的索引位置
col_position = df.columns.index('XYZ')
# 选择从第0列到目标列的所有列（包含目标列）
filtered_df = df[:, :col_position + 1]

针对超大文件的惰性读取优化版本：

lf = pl.scan_csv("your_large_data.csv")
col_position = lf.columns.index('XYZ')
filtered_lf = lf[:, :col_position + 1]
# 按需触发计算并转为DataFrame
filtered_df = filtered_lf.collect()

方式二：基于列名列表选择 #

先提取目标范围内的列名列表，直接选择这些列，代码可读性更强：

import polars as pl

df = pl.read_csv("your_data.csv")
# 生成从起始列到'XYZ'的列名列表
target_columns = df.columns[:df.columns.index('XYZ') + 1]
# 选择目标列
filtered_df = df.select(target_columns)

惰性读取版本：

lf = pl.scan_csv("your_large_data.csv")
target_columns = lf.columns[:lf.columns.index('XYZ') + 1]
filtered_lf = lf.select(target_columns)
filtered_df = filtered_lf.collect()

补充说明 #

• 两种方法都是零拷贝操作，不会额外占用内存，性能拉满；
• 处理超大型文件时，务必使用scan_csv的惰性模式，它只会加载和处理你需要的列，避免内存溢出。

内容的提问来源于stack exchange，提问作者Talha Tayyab