Polars 支持类似 Pandas df.loc[condition, col] = values 的简洁语法，可通过布尔索引+位置索引组合实现条件批量赋值，无需复杂映射或临时索引列。
polars 支持类似 pandas `df.loc[condition, col] = values` 的简洁语法，可通过布尔索引+位置索引组合实现条件批量赋值，无需复杂映射或临时索引列。
在 Polars 中，虽然 DataFrame 默认不可变（推荐函数式链式操作），但从 v0.20.0 起已正式支持安全的原地切片赋值（in-place slice assignment），其行为高度贴近 Pandas 的 loc 语义，是目前最直观、最符合直觉的条件批量更新方式。
✅ 推荐方案：直接使用布尔条件索引 + 列名赋值
import polars as pl
df = pl.DataFrame({
"A": [1, 2, 3, 4, 5],
"B": [0, 5, 9, 2, 10]
})
# ✅ 一行搞定：先获取满足 A < B 的行索引，再对 'A' 列赋值
mask = df["A"] < df["B"]
df[mask, "A"] = [100, 210, 320]
print(df)输出：
shape: (5, 2) ┌─────┬─────┐ │ A ┆ B │ │ --- ┆ --- │ │ i64 ┆ i64 │ ╞═════╪═════╡ │ 1 ┆ 0 │ │ 100 ┆ 5 │ │ 210 ┆ 9 │ │ 4 ┆ 2 │ │ 320 ┆ 10 │ └─────┴─────┘
? 原理说明：
df[mask, "A"]返回一个可赋值的视图（view），Polars 自动将右侧列表按mask为True的行顺序一一对应赋值——这与 Pandas 的loc行为完全一致，且无需手动调用.arg_true()或维护索引对齐。
⚠️ 注意事项与最佳实践
-
长度必须严格匹配：右侧值列表长度必须等于
mask.sum()（即满足条件的行数），否则抛出ShapeError。建议在生产中添加校验：n_matches = mask.sum().item() values = [100, 210, 320] assert len(values) == n_matches, f"Expected {n_matches} values, got {len(values)}" -
不支持链式赋值：
df[mask, "A"] = ...是就地修改，返回None；若需函数式风格（如嵌入表达式链），请改用with_columns()+when/then/otherwise：df = df.with_columns( pl.when(pl.col("A") < pl.col("B")) .then(pl.Series([100, 210, 320])) .otherwise(pl.col("A")) .alias("A") )⚠️ 注意：
then(pl.Series(...))要求 Series 长度与整个 DataFrame 一致（会自动广播），因此更推荐用pl.lit()+pl.int_range()等构造动态序列，或优先选用切片赋值。 性能优势明显：相比
update()或map_batches，切片赋值底层优化充分，无额外 DataFrame 构造开销，是处理中等规模数据（百万行内）的首选。
总结
Polars 已通过 df[boolean_mask, column_name] = values 提供了与 Pandas df.loc[condition, col] = values 几乎一致的简洁语法。它语义清晰、性能优异、无需中间步骤，是当前最地道（idiomatic） 的条件批量更新方式。开发者可放心替代旧有复杂方案，在保持代码可读性的同时获得 Polars 的全部性能红利。
