Polars读取CSV文件报错的高效处理方案咨询

读取格式混乱的CSV文件时，常因列数据类型不一致遇到各类错误，例如：

ComputeError: Could not parse `22.4` as dtype Int64 at column 59.
The current offset in the file is 433793 bytes.

当不熟悉数据文件时，往往不清楚第59列的列名。目前采用以下步骤处理，但希望获得更高效的方案：

• 设置infer_schema_length=0以pl.Utf8格式读取文件（不使用ignore_errors=True，因会将错误值转为空值，不符合需求）；
• 通过循环枚举列名确定出错的列；
• 筛选出错误值所在行；
• 修改错误值后调整列数据类型。

问题1：Polars中是否有更简便的方法访问第n列？ #

直接用整数索引即可，无需循环枚举列名：

• 读取为Utf8格式后，用df[:, 58]（注意Polars列索引从0开始，错误提示的第59列对应索引58）直接获取目标列；
• 也可结合df.columns快速拿到列名：col_name = df.columns[58]，之后用df[col_name]访问列。

问题2：是否有更优的方式处理引发错误的数值？ #

可以用Polars的类型转换工具精准定位并修正错误，无需全量转为Utf8后再处理：

1. 快速定位错误行：使用pl.read_csv()时添加try_parse=True，会返回包含DataFrame和ParseError对象的元组，错误对象会记录出错的行号和具体值；
2. 针对性修正值：根据错误信息定位对应行和列，直接修改错误值（比如把22.4转为整数或调整为浮点类型）；
3. 批量校验转换：如果某列混合了整数和浮点数，可先将列转为pl.Float64，再按需处理小数部分（如四舍五入、取整）；或用pl.col(col_name).str.to_integer(strict=False)标记错误值，再筛选处理。

问题3：以pl.Utf8读取并修正错误值后，能否自动检测最优列数据类型？ #

可以，Polars提供两种自动推断最优类型的方式：

• 使用df.with_columns(pl.all().cast(pl.Utf8).str.to_datatype())：自动尝试将每列转换为最合适的数据类型（整数、浮点、日期等）；
• 调用df.infer_schema()生成当前DataFrame的最优推断schema，再用df.cast(df.infer_schema())完成类型转换；
• 注意：如果列中存在特殊格式值（如带千分位的数字），需先清洗（如pl.col(col_name).str.replace_all(",", "")）再进行类型推断，避免失败。

内容的提问来源于stack exchange，提问作者miroslaavi