本文介绍在 Polars 中高效判断布尔型 DataFrame 所有元素是否均为 True 的两种主流方法，重点解析 fold + all 的 idiomatic 写法，并说明 null 值处理逻辑与替代方案的适用场景。
本文介绍在 polars 中高效判断布尔型 dataframe 所有元素是否均为 `true` 的两种主流方法，重点解析 `fold` + `all` 的 idiomatic 写法，并说明 `null` 值处理逻辑与替代方案的适用场景。
在 Polars 中，若需验证一个仅含布尔列的 DataFrame 是否所有非空值均为 True（并明确感知 null 的存在），最推荐、性能最优且符合 Polars 编程范式的写法是结合 fold 与 all：
df.fold(lambda s1, s2: s1 & s2).all(ignore_nulls=False)
该表达式执行两步操作：
-
列间逐位逻辑与（
&）聚合：fold将所有列按行对齐进行&运算，生成单个Series。例如：df = pl.DataFrame({"a": [True, True, None], "b": [True, True, True]}) # fold 后得到 Series: [True, True, None] ← 第三行为 None（因 True & None = None） -
全局真值判定：
.all(ignore_nulls=False)要求 所有值（含null）均为True才返回True；若存在null，则返回None（表示“未知”）；若存在False，则返回False。
✅ 正确用例：
df_full_true = pl.DataFrame({"a": [True, True, True], "b": [True, True, True]})
df_full_true.fold(lambda s1, s2: s1 & s2).all(ignore_nulls=False) # → True
df_with_null = pl.DataFrame({"a": [True, True, None], "b": [True, True, True]})
df_with_null.fold(lambda s1, s2: s1 & s2).all(ignore_nulls=False) # → None
df_with_false = pl.DataFrame({"a": [True, False, True], "b": [True, True, True]})
df_with_false.fold(lambda s1, s2: s1 & s2).all(ignore_nulls=False) # → False⚠️ 注意事项：
-
ignore_nulls=False是关键——省略时默认为True，即忽略null后仅判断非空值，这会掩盖数据缺失问题（如[True, True, None]会被误判为True）。 - 此方法天然保留三值逻辑（
True/False/None），符合 Polars 对缺失值的严谨语义，适用于需显式区分“全真”、“含假”和“含空”的场景。
若业务要求强制返回布尔值（True 或 False），可选用次优但语义清晰的替代方案：
df.mean_horizontal(ignore_nulls=False).eq_missing(1).all()
原理：布尔值 True → 数值 1，False → 0，null → null；当整行均 True 时，行均值为 1；使用 eq_missing(1) 将 1.0 映射为 True，null 仍为 null，再经 .all() 得最终布尔结果。该方法优势在于结果类型确定（无 None），但性能略低，且依赖数值转换，不如 fold 直观。
最后提醒：df.select(pl.all() >= 1) 保留原始 null 是 Polars 的预期行为——比较操作对 null 返回 null（三值逻辑），而非抛出错误或填充。这是安全设计，但需在后续聚合中主动处理（如本例中用 ignore_nulls=False 显式控制）。
