当然可以实现啦！你的需求完全可行，不过写法上得调整下，我给你捋捋清楚。

首先要明确：列的压缩后数据类型是针对整个列的（不是每一行单独的类型），所以校验结果是一个全列统一的布尔值，会自动广播到每一行。

具体实现步骤 #

• 第一步：先拿到列的压缩后数据类型
  我们可以直接调用列的shrink_dtype()方法，获取到压缩后的DataType对象：

  import polars as pl
  
  df = pl.DataFrame({"list_column": [[1, 2], [3, 4], [5, 6]]})
  # 获取目标列压缩后的类型
  compressed_dtype = df["list_column"].shrink_dtype()
  

• 第二步：用表达式生成类型校验列
  把类型比较的结果用pl.lit()包装成常量列，再添加到原DataFrame中：

  df = df.with_columns(
      type_check=pl.lit(compressed_dtype == pl.List(pl.Int64))
  )
  

  运行后就能得到你想要的结果：

  shape: (3, 2)
  ┌─────────────┬────────────┐
  │ list_column ┆ type_check │
  │ ---         ┆ ---        │
  │ list[i64]   ┆ bool       │
  ╞═════════════╪════════════╡
  │ [1, 2]      ┆ true       │
  │ [3, 4]      ┆ true       │
  │ [5, 6]      ┆ true       │
  └─────────────┴────────────┘
  

扩展：模糊判断列表类型（不关心内部元素类型） #

如果你不需要精确匹配列表内部的元素类型，只是想确认这是个列表类型，那可以这样写：

df = df.with_columns(
    type_check=pl.lit(compressed_dtype.kind == "list")
)

这样不管列表里是i64还是其他数值类型，只要是列表结构就会返回true。

说说你原来写法的问题 #

你之前在pl.lit()里嵌套了pl.col().shrink_dtype()表达式，但pl.lit()是用来包装常量值的，不能直接在里面放Polars表达式，这就导致逻辑出错了。正确的思路是先在Python层面拿到压缩后的类型，再把比较结果作为常量传入pl.lit()。

备注：内容来源于stack exchange，提问作者yz_jc