在 Polars 中进行函数链式操作时，若需批量替换列名中的特殊字符（如空格、括号），应避免误用 with_columns()，而应选用 select() 或更直观的 rename() 方法，以确保仅重命名原有列、不新增列。
在 polars 中进行函数链式操作时，若需批量替换列名中的特殊字符（如空格、括号），应避免误用 `with_columns()`，而应选用 `select()` 或更直观的 `rename()` 方法，以确保仅重命名原有列、不新增列。
在 Polars 的函数式链式编程范式中，重命名列名本质上是列选择/映射操作，而非列添加操作。初学者常误用 .with_columns(pl.all().name.map(...))，导致原始列与重命名后列并存——这是因为 with_columns() 的设计语义是「添加或覆盖列」，即使新列名与旧列名相同，它也会将原列视为被「新列覆盖」，但 Polars 在实际执行中会保留原始列 + 新增映射列（当名称未完全冲突时），从而引发列数翻倍的意外结果。
✅ 正确做法是使用 .select()：
它对现有列执行投影（projection），配合 pl.all().name.map(...) 可实现「原地重命名并仅保留重命名后的列」：
import polars as pl
df = pl.DataFrame({
"A (%)": [1, 2, 3],
"B": [4, 5, 6],
"C (Euro)": ["abc", "def", "ghi"]
}).select(
pl.all().name.map(
lambda c: c.replace(" ", "_")
.replace("(%)", "pct")
.replace("(Euro)", "euro")
.lower()
)
)
print(df)
# shape: (3, 3)
# ┌───────┬─────┬────────┐
# │ a_pct ┆ b ┆ c_euro │
# │ --- ┆ --- ┆ --- │
# │ i64 ┆ i64 ┆ str │
# ╞═══════╪═════╪════════╡
# │ 1 ┆ 4 ┆ "abc" │
# │ 2 ┆ 5 ┆ "def" │
# │ 3 ┆ 6 ┆ "ghi" │
# └───────┴─────┴────────┘? 更推荐、更语义清晰的方式是直接使用 .rename()：
该方法专为列名转换设计，支持函数式传入（如 lambda），代码意图一目了然，且天然保证列数不变：
df = pl.DataFrame({
"A (%)": [1, 2, 3],
"B": [4, 5, 6],
"C (Euro)": ["abc", "def", "ghi"]
}).rename(
lambda c: c.replace(" ", "_")
.replace("(%)", "pct")
.replace("(Euro)", "euro")
.lower()
)⚠️ 注意事项：
with_columns() 永远用于扩展或更新列数据，不应用于纯列名变更；
select() 虽可实现重命名，但其主要语义是列筛选，过度依赖 .name.map() 可能降低可读性；
rename() 是 Polars 官方推荐的列名标准化入口，支持字典映射与函数映射两种模式，健壮且高效；
-
若需复杂逻辑（如正则替换），可封装为独立函数提升复用性，例如：
def normalize_col_name(name: str) -> str: return (name.replace(" ", "_") .replace("(%)", "pct") .replace("(Euro)", "euro") .lower()) df.rename(normalize_col_name)
总结：在 Polars 链式操作中，列名规范化应优先使用 .rename() ——简洁、明确、无副作用；仅在需与其他列选择逻辑（如条件筛选、类型转换）深度耦合时，才考虑 select() 配合 name.map()。
