如何转换Polars DataFrame的序列？执行2^x运算报错怎么办

Polars的索引、赋值逻辑和Pandas完全不同，原生不支持Pandas风格的[行切片, 列位置]二维切片原地赋值语法。你代码里df[:,1]的行全选切片:无法被Polars的__setitem__索引逻辑识别，直接触发报错。
额外提一句：df_copy = df在Polars里只是给原DataFrame加了一个引用，不是独立副本，要生成完全独立的备份需要用df.clone()。

Polars官方推荐用表达式API做数据转换，这套接口会自动做并行计算、优化内存占用，是处理你这种近20万行、近2万列大表的最优选择。

场景1：转换指定列（比如你示例里位置索引为1的第2列） #

先通过位置索引拿到目标列名，再用with_columns执行计算，结果重新赋值即可：

# 获取位置索引为1的列名
target_col = df.columns[1]
# 对目标列计算2^x，替换原列
df = df.with_columns(
    (2 ** pl.col(target_col)).alias(target_col)
)

场景2：转换所有列的单元格（全表所有数值都计算2^x） #

如果表中所有列都是数值类型，可以直接用全列选择器，写法最简洁：

df = df.with_columns(2 ** pl.all())

如果存在非数值列（比如ID列、字符串列）需要跳过，可以指定要处理的列范围批量操作：

# 示例：跳过第一列，处理剩余所有列
process_cols = df.columns[1:]
df = df.with_columns(
    (2 ** pl.col(col)).alias(col) for col in process_cols
)

• 不要直接照搬Pandas的索引赋值写法到Polars，with_columns、select等表达式接口才是Polars的标准用法，性能远高于仿Pandas的索引操作
• 针对你的大规模数据集，上述原生表达式写法会自动调用多线程并行计算，比Pandas同逻辑操作快数倍到数十倍
• Polars的DataFrame是不可变对象，所有转换操作默认返回新的DataFrame，不需要提前手动创建副本；如果需要保留原始表，提前用df.clone()生成独立备份即可

内容的提问来源于stack exchange，提问作者nattzy