如何在Polars DataFrame中利用单行DataFrame批量转换多列？

针对数百列的场景，有几种高效且可扩展的实现方式，按简洁度和性能排序如下：

1. 直接利用Polars广播机制（推荐） #

Polars支持自动广播单行DataFrame到多行，直接对两个DataFrame执行元素级运算即可，无需手动遍历列：

import polars as pl

df1 = pl.DataFrame({'c1': [2,4,6],'c2': [20,40,60],'c3': [10,20,30]})
df2 = pl.DataFrame({'c1': [2],'c2': [20],'c3': [10]})

# 直接执行除法，自动匹配所有对应列
df_result = df1 / df2
print(df_result)

输出结果：

shape: (3, 3)
┌──────┬──────┬──────┐
│ c1   ┆ c2   ┆ c3   │
│ ---  ┆ ---  ┆ ---  │
│ f64  ┆ f64  ┆ f64  │
╞══════╪══════╪══════╡
│ 1.0  ┆ 1.0  ┆ 1.0  │
│ 2.0  ┆ 2.0  ┆ 2.0  │
│ 3.0  ┆ 3.0  ┆ 3.0  │
└──────┴──────┴──────┘

这种方式性能最优，Polars内部会批量处理所有列，完全适配数百列的场景。

2. 批量生成表达式（适用于自定义运算） #

如果需要更灵活的转换逻辑（比如除法之外的其他运算），可以通过遍历列名批量生成表达式：

# 获取所有列名，批量生成运算表达式
exprs = [pl.col(col) / df2[col].item() for col in df1.columns]
df_result = df1.select(exprs)

这里df2[col].item()会提取单行DataFrame中对应列的标量值，确保运算时能广播到df1的所有行。

3. 利用pl.all()统一处理 #

通过pl.all()选中所有列，结合单行数据的元组实现广播运算：

# 获取df2的单行元组
df2_row = df2.row(0)
# 对所有列执行除法
df_result = df1.select(pl.all() / pl.lit(df2_row))

pl.lit(df2_row)会将元组作为广播常量，与每一列逐一匹配运算。

内容的提问来源于stack exchange，提问作者ste_kwr