如何在Polars中无需遍历列应用返回DataFrame的函数（含双DataFrame场景）

场景1：将返回DataFrame的函数批量应用到所有列 #

原代码通过遍历列调用get_rolling_mean生成多个DataFrame列表，大数据集下Python循环开销明显。利用Polars的pl.all().map()方法，可直接对所有列批量处理并自动合并结果，完全规避循环开销。

优化后代码：

import polars as pl
import numpy as np

df = pl.DataFrame({
    'A': np.random.randint(0, 10, 20),
    'B': np.random.randint(20, 30, 20),
})

def get_rolling_mean(series, windows=[1,2,3]):
    # 给结果列加原列名前缀，避免重复列名
    rolling_means = [series.rolling_mean(window).alias(f'{series.name}_{window}') for window in windows]
    return pl.DataFrame(rolling_means)

# 无循环实现：对所有列批量应用函数，自动合并结果
df_rolling_means = df.select(pl.all().map(get_rolling_mean))

说明：pl.all()选中所有列，map()对每列执行get_rolling_mean，返回的每个DataFrame会被自动展开合并成最终结果，列名格式为原列名_窗口大小，可读性更强。

场景2：两个DataFrame对应列传入函数生成信号 #

原代码遍历列对df_high和df_low的对应列调用get_signal，效率低下。利用Polars的zip_with()方法，可将两个DataFrame的同名列一一配对，批量传入函数处理，无需手动遍历。

优化后代码：

import polars as pl
import numpy as np

df_high = pl.DataFrame({
    'A': np.random.randint(0, 10, 20),
    'B': np.random.randint(20, 30, 20),
})
df_low = pl.DataFrame({
    'A': np.random.randint(0, 10, 20),
    'B': np.random.randint(20, 30, 20),
})

def get_signal(high_series, low_series, params):
    # 示例计算：高低差值乘以参数系数，可替换为实际业务逻辑
    return (high_series - low_series) * params['coef']

PARAMS = {'coef': 2}

# 无循环实现：配对对应列并批量处理
signals_df = df_high.select(
    pl.all().zip_with(df_low.select(pl.all()), lambda h, l: get_signal(h, l, PARAMS)).name.suffix('_signal')
)

说明：zip_with()将df_high和df_low的同名列一一配对，传入lambda函数调用get_signal，最后给结果列加_signal后缀区分。整个过程由Polars内部优化执行，比Python循环效率提升显著。

内容的提问来源于stack exchange，提问作者Wazir Kahar