如何基于Label列批量修改Polars DataFrame的Feature列？

给定如下Polars DataFrame：

import polars as pl
import numpy as np

df = pl.DataFrame({
  "id": [1, 2, 3, 4, 5],
  "feature_a": np.random.randint(0, 3, 5),
  "feature_b": np.random.randint(0, 3, 5),
  "label": [1, 0, 0, 1, 1],
})

对应结构：
┌─────┬───────────┬───────────┬───────┐
│ id ┆ feature_a ┆ feature_b ┆ label │
│ --- ┆ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ i64 ┆ i64 │
╞═════╪═══════════╪═══════════╪═══════╡
│ 1 ┆ 2 ┆ 0 ┆ 1 │
│ 2 ┆ 1 ┆ 1 ┆ 0 │
│ 3 ┆ 2 ┆ 2 ┆ 0 │
│ 4 ┆ 1 ┆ 0 ┆ 1 │
│ 5 ┆ 0 ┆ 0 ┆ 1 │
└─────┴───────────┴───────────┴───────┘

需要实现：根据label列的值批量修改所有以feature_开头的列（label为1时设为1，否则设为0），最终移除label列，得到目标结构：
┌─────┬───────────┬───────────┐
│ id ┆ feature_a ┆ feature_b │
│ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ i64 │
╞═════╪═══════════╪═══════════╡
│ 1 ┆ 1 ┆ 1 │
│ 2 ┆ 0 ┆ 0 │
│ 3 ┆ 0 ┆ 0 │
│ 4 ┆ 1 ┆ 1 │
│ 5 ┆ 1 ┆ 1 │
└─────┴───────────┴───────────┘

实现代码 #

提供两种高效写法，按需选择：

写法1：性能优先（直接基于布尔值转整数批量赋值）

result_df = df.with_columns(
    # 将label的布尔判断结果转为整数，批量覆盖所有feature列
    (pl.col("label") == 1).cast(pl.Int64).alias(pl.col(r"^feature_.*$"))
).drop("label")

写法2：逻辑直观（使用when/then/otherwise语法）

result_df = df.with_columns(
    # 对每个feature列应用条件逻辑
    pl.col(r"^feature_.*$").map(
        lambda _: pl.when(pl.col("label") == 1).then(1).otherwise(0)
    )
).drop("label")

关键说明 #

• pl.col(r"^feature_.*$")：通过正则精准匹配所有以feature_开头的目标列
• (pl.col("label") == 1).cast(pl.Int64)：把label的布尔判断结果转为整数1/0，比when/then语法性能更高
• .alias(pl.col(r"^feature_.*$"))：将生成的结果批量命名为原feature列名，实现覆盖修改
• .drop("label")：移除最终不需要的label列

内容的提问来源于stack exchange，提问作者bkw1491