在 Polars 中，自定义函数需直接返回多个 Expr 对象（而非 struct），再通过生成器表达式或字典解包动态重命名并注入列，才能高效、可扩展地添加多列。
在 polars 中，自定义函数需直接返回多个 `expr` 对象（而非 `struct`），再通过生成器表达式或字典解包动态重命名并注入列，才能高效、可扩展地添加多列。
Polars 的 with_columns() 方法原生支持批量添加列，但不支持直接将 pl.struct() 的结果 .alias(["col1", "col2"]) 拆分为多列——这是初学者常见误区。pl.struct() 仅创建嵌套结构列（即单列含 struct 类型），无法自动展开为平行列。正确做法是让自定义函数直接返回多个独立的 Expr 实例，再通过 Polars 表达式组合机制完成列名绑定与插入。
✅ 推荐实现：函数返回元组，配合 enumerate 动态别名
import polars as pl
import numpy as np
def _func(x: pl.Expr) -> tuple[pl.Expr, pl.Expr]:
x1 = x + 1
x2 = x + 2
return x1, x2 # 直接返回两个 Expr，非 struct！
df = pl.DataFrame({"test": np.arange(1, 11)})
# 方式1：按序号自动命名（推荐，可扩展至 N 列）
result = df.with_columns(
expr.alias(f"test{i+1}")
for i, expr in enumerate(_func(pl.col("test")))
)
print(result)输出：
shape: (10, 3) ┌──────┬───────┬───────┐ │ test ┆ test1 ┆ test2 │ │ --- ┆ --- ┆ --- │ │ i32 ┆ i32 ┆ i32 │ ╞══════╪═══════╪═══════╡ │ 1 ┆ 2 ┆ 3 │ │ 2 ┆ 3 ┆ 4 │ │ … ┆ … ┆ … │ └──────┴───────┴───────┘
✅ 优势：无需硬编码列名，轻松适配任意数量返回值（如后续改为 x+1, x+2, x+3, x+4，仅需保持 enumerate 逻辑即可）。
? 灵活命名方案：使用 zip 或字典解包
若需自定义列名（如 "a"、"b"），有两种简洁写法：
方式2：zip + 生成器（语义清晰）
df.with_columns(
expr.alias(name)
for expr, name in zip(_func(pl.col("test")), ["a", "b"])
)方式3：字典解包（函数式风格，适合配置驱动）
df.with_columns(
**dict(zip(["a", "b"], _func(pl.col("test"))))
)两种方式均避免了手动 .alias() 链式调用，且天然支持任意长度名称列表与表达式序列对齐（长度不匹配时会抛出 ValueError，利于早期发现问题）。
⚠️ 注意事项与最佳实践
- ❌ 不要使用 pl.struct([...]).alias([...])：Polars 不支持结构体列的“多别名展开”，该写法静默失败或报 SchemaError。
- ✅ 函数签名建议明确标注返回类型（如 tuple[pl.Expr, ...]），提升可维护性与 IDE 支持。
- ? 若计算逻辑复杂，可封装为 pl.UDF（用户定义函数），但纯表达式链（如本例）性能更优，应优先使用。
- ? 所有返回的 Expr 必须基于同一输入列（如 pl.col("test")），否则可能触发 ComputeError；跨列运算需在 with_columns() 外统一组织。
通过以上方法，你不仅能精准实现双列输出，还能无缝扩展至任意多列场景，兼顾代码简洁性、可读性与 Polars 的高性能计算范式。
