没问题！你完全可以通过Struct类型来实现用map_elements一次性生成多列的需求，核心思路是先让自定义函数返回一个结构化的结果（比如字典、元组），再把这个Struct拆分成独立的列。下面给你详细的实现步骤和示例：

方法一：返回字典+指定Struct dtype（推荐） #

这种方式最直观，函数返回的字典键就是你想要的列名，Polars会自动把它转换成Struct类型，之后只用unnest就能拆分出多列。

1. 先定义你的自定义函数，返回包含多值的字典：

def my_complicated_function(row):
    # 这里替换成你的实际处理逻辑
    value1 = row["a"] + row["b"]
    value2 = row["a"] * row["b"]
    value3 = row["a"] - row["b"]
    return {"column1": value1, "column2": value2, "column3": value3}

2. 用map_elements生成Struct列，再拆分：

import polars as pl

# 示例DataFrame
df = pl.DataFrame({
    "a": [1, 2, 3],
    "b": [4, 5, 6]
})

# 核心操作
df = df.with_columns(
    pl.struct(pl.all())
      .map_elements(
          my_complicated_function,
          return_dtype=pl.Struct([
              pl.Field("column1", pl.Int64),
              pl.Field("column2", pl.Int64),
              pl.Field("column3", pl.Int64)
          ])
      )
      .alias("temp_struct")  # 先给Struct列起个临时名字
).unnest("temp_struct")  # 把Struct拆分成独立列

print(df)

方法二：返回元组/列表+转Struct #

如果你的函数习惯返回元组或列表，也可以先指定返回List类型，再转成Struct后拆分：

1. 修改函数返回元组：

def my_complicated_function(row):
    value1 = row["a"] + row["b"]
    value2 = row["a"] * row["b"]
    value3 = row["a"] - row["b"]
    return (value1, value2, value3)

2. 转换并拆分：

df = df.with_columns(
    pl.struct(pl.all())
      .map_elements(my_complicated_function, return_dtype=pl.List(pl.Int64))
      .list.to_struct(fields=["column1", "column2", "column3"])  # 列表转Struct
      .alias("temp_struct")
).unnest("temp_struct")

为什么你原来的写法不行？ #

alias方法只能给单个列重命名，没办法直接把一个多值结果拆成多列。而Struct类型相当于把多个值打包成一个“容器列”，之后我们只需要把这个容器拆开，就能得到独立的多列了。

注意事项 #

• 一定要在map_elements中明确指定return_dtype，Polars需要知道返回的结构类型，避免自动推断出错。
• 尽量只调用一次map_elements（像上面的示例一样），不要为每列单独调用一次，这样能保证效率，尤其是处理大数据集的时候。

备注：内容来源于stack exchange，提问作者Arne