在 Polars 中，Expression 本身无法直接访问所属 DataFrame 或隐式获取全局行索引；但可通过 pl.int_range(0, pl.len()) 在表达式内部动态生成行号，实现无需传入 DataFrame 的索引感知逻辑。
在 polars 中，expression 本身无法直接访问所属 dataframe 或隐式获取全局行索引；但可通过 `pl.int_range(0, pl.len())` 在表达式内部动态生成行号，实现无需传入 dataframe 的索引感知逻辑。
Polars 的表达式（Expr）设计遵循函数式、惰性求值原则：它仅描述计算逻辑，不持有数据上下文（如行数、DataFrame 引用或物理索引）。因此，无法在自定义表达式函数内部直接访问当前所作用的 DataFrame 对象——这是有意为之的架构限制，保障了表达式的可组合性、跨上下文复用性及并行安全性。
但关键在于：行索引（row number）并非必须来自外部 DataFrame，而可由 Polars 表达式原生构造。核心技巧是使用 pl.int_range(0, pl.len())：
- pl.len() 返回当前分组或整个 DataFrame 的行数（在 with_columns 等上下文中即为整表长度）；
- pl.int_range(start, end) 生成一个从 start 到 end-1 的整数序列 Expr，长度与当前上下文一致，天然对齐每行位置。
以下是一个生产就绪的自定义表达式构造函数示例，支持对前 n 行进行精细化处理（置空、替换为统计量等），且完全不依赖外部 DataFrame 输入：
import polars as pl
from polars.type_aliases import IntoExpr
def replace_first_n(
target: IntoExpr,
n: int = 1,
replace_with: IntoExpr | None = None,
null_first_n: bool = False,
) -> pl.Expr:
"""
构造表达式：对目标列的前 n 行执行定制化替换。
Parameters:
-----------
target : IntoExpr
待处理的列（如 pl.col("x")）
n : int
替换行数（1-indexed，即第1至第n行）
replace_with : IntoExpr, optional
当 n-th 行需替换为某值时传入（如均值）；若为 None，则仅对 1..n-1 行置空
null_first_n : bool
若为 True，则将前 n 行全部设为 null（覆盖 replace_with）
"""
idx = pl.int_range(0, pl.len()) # ✅ 动态生成 0-based 行索引 Expr
if null_first_n:
return pl.when(idx < n).then(None).otherwise(target)
if replace_with is not None:
# 第 n 行（0-based 即索引 n-1）替换为 replace_with，前 n-1 行置空，其余保持原值
return (
pl.when(idx == n - 1).then(replace_with)
.when(idx < n - 1).then(None)
.otherwise(target)
)
# 默认行为：仅将前 n 行置空
return pl.when(idx < n).then(None).otherwise(target)
# 使用示例
df = pl.DataFrame({"var": [10, 20, 30, 40, 50, 60]})
# ✅ 将前 3 行置空
df.with_columns(replace_first_n(pl.col("var"), n=3).alias("var_null_first3"))
# ✅ 将第 3 行（索引 2）替换为前 3 行均值，前 2 行置空
df.with_columns(
replace_first_n(
pl.col("var"),
n=3,
replace_with=pl.col("var").head(3).mean()
).alias("var_mean_at_3")
)⚠️ 重要注意事项：
- pl.int_range(0, pl.len()) 是唯一推荐的“无状态索引生成方式”，它不引入额外输入依赖，完全符合 Polars 表达式范式；
- 避免尝试通过 pl.all().count() 或 pl.count() 获取长度后硬编码范围——它们返回标量而非逐行 Expr，无法用于 when().then() 的条件判断；
- 所有 pl.* 函数（如 pl.head, pl.mean）均在表达式层面工作，无需 DataFrame 实例，因此该函数可安全用于 select, with_columns, group_by().agg() 等任意上下文；
- 若需更复杂的索引逻辑（如按分组重置序号），请改用 pl.int_range(0, pl.len()).over("group_col")。
总结：Polars 表达式虽不可“反查”宿主 DataFrame，但通过 pl.int_range + pl.len() 组合，已能完备表达基于位置的变换需求。这正是 Polars “声明式索引”哲学的体现——索引不是元数据，而是可推导的计算结果。
