本文详解如何将嵌套列表（list of lists）高效导入 polars dataframe，并指定列名与数据类型，避免默认列名（如 column_0）带来的混淆。
本文详解如何将嵌套列表（list of lists）高效导入 polars dataframe，并指定列名与数据类型，避免默认列名（如 column_0）带来的混淆。
Polars 对数据导入的语义比 Pandas 更严格，默认不自动推断行/列方向。当你传入 pl.DataFrame(numbers) 时，Polars 会尝试按列优先（column-wise） 解析——即把每个子列表视为一列，这显然不符合多数场景下“每行一个观测”的直觉。因此直接调用会报错或产生意外结构。
✅ 正确做法是显式指定 orient="row"，明确告知 Polars：每个内层列表代表一行数据：
import polars as pl
numbers = [
['304-144635', 0],
['123-091523', 7],
['305-144931', 12],
['623-101523', 16],
['305-145001', 22],
['623-111523', 27],
['9998-2603', 29]
]
# 方式1：使用 orient="row"（自动命名：column_0, column_1）
df = pl.DataFrame(numbers, orient="row")
print(df)输出：
shape: (7, 2) ┌──────────┬─────────┐ │ column_0 ┆ column_1 │ │ --- ┆ --- │ │ str ┆ i64 │ ╞══════════╪══════════╡ │ 304-144635 ┆ 0 │ │ 123-091523 ┆ 7 │ │ … ┆ … │ │ 9998-2603 ┆ 29 │ └──────────┴─────────┘
⚠️ 注意：orient="row" 会自动推断数据类型（如字符串、整数），但若需精确控制（例如将第二列设为 Int32 或第一列为 Categorical），推荐配合 schema 参数使用：
# 方式2：显式定义 schema（推荐用于生产环境）
df = pl.DataFrame(
numbers,
orient="row",
schema=["id", "score"] # 自定义列名
)
# 或更严格地指定类型：
# schema={"id": pl.String, "score": pl.Int32}
print(df)输出（带自定义列名）：
shape: (7, 2) ┌──────────┬───────┐ │ id ┆ score │ │ --- ┆ --- │ │ str ┆ i64 │ ╞══════════╪═══════╡ │ 304-144635 ┆ 0 │ │ 123-091523 ┆ 7 │ │ … ┆ … │ │ 9998-2603 ┆ 29 │ └──────────┴───────┘
? 关键提醒：
-
orient="row"是处理 list-of-lists 的标准方式；orient="col"仅适用于每个子列表本身是一列数据（极少见）； - Polars 默认列名为
column_0,column_1…，与 Pandas 的0,1不同，且不可通过columns=参数在无 schema 时覆盖（必须用schema）； - 若列表中存在
None或混合类型，建议显式声明schema以避免类型推断失败； - 性能上，
orient="row"+schema是最安全、最可预测的组合，尤其适合 ETL 流程。
掌握这一模式，你就能稳定、高效地将原始嵌套列表转化为结构化 Polars DataFrame，迈出高性能数据分析的第一步。
