Polars中如何用1×n NumPy数组对DataFrame多列执行减法？

报错原因 #

map_rows要求lambda函数返回元组类型，你返回的numpy数组不符合类型要求，因此抛出ComputeError: expected tuple, got ndarray。而计算范数时返回的是单个数值（可自动转为元组），所以能正常运行。

解决方案 #

方案1：向量化广播（推荐，性能最优） #

Polars支持自动广播机制，直接将NumPy数组转为Polars Series，与选中的列做减法即可，无需逐行处理：

import polars as pl
import numpy as np

df = pl.DataFrame(np.random.randn(6, 4), schema=['#', 'x', 'y', 'z'])
arr = np.array([-10, -20, -30])

# 选中目标列并与数组广播相减
result = df.select(pl.col(r'^(x|y|z)$')) - pl.Series(arr)
print(result)

输出示例：

shape: (6, 3)
┌───────────┬───────────┬───────────┐
│ x         ┆ y         ┆ z         │
│ ---       ┆ ---       ┆ ---       │
│ f64       ┆ f64       ┆ f64       │
╞═══════════╪═══════════╪═══════════╡
│ 10.143819 ┆ 21.875335 ┆ 29.682364 │
│ 10.360651 ┆ 21.116404 ┆ 28.871060 │
│ 9.777666  ┆ 20.846593 ┆ 30.325185 │
│ 9.394726  ┆ 19.357053 ┆ 29.716592 │
│ 9.223525  ┆ 21.618511 ┆ 30.390805 │
│ 9.751234  ┆ 21.667080 ┆ 27.393393 │
└───────────┴───────────┴───────────┘

方案2：修改map_rows返回值为元组 #

如果必须使用map_rows，只需将numpy数组转为元组即可：

result = df.select(pl.col(r'^(x|y|z)$')).map_rows(
    lambda x: tuple(np.array(x) - arr)
)
print(result)

方案3：列级批量匹配 #

针对列数较多的场景，可通过列表推导式自动匹配列与数组元素：

target_cols = df.select(pl.col(r'^(x|y|z)$')).columns
result = df.with_columns(
    [pl.col(col) - arr[i] for i, col in enumerate(target_cols)]
).select(target_cols)
print(result)

说明 #

• 优先使用方案1，Polars的向量化操作基于Arrow引擎，比逐行处理的map_rows效率高一个数量级，尤其适合大数据集。
• 该实现逻辑与Pandas的广播机制一致，但Polars在内存占用和计算速度上更有优势。

内容的提问来源于stack exchange，提问作者3dSpatialUser