polars 1.10.0+ 支持列表列与标量列的直接算术广播（如 `lst + val`，无需 `map_elements` 或嵌套 `list.eval`，简洁高效地实现逐元素加法。
在 Polars 中，对列表列（list[i64]）执行“按行广播”运算（例如将每行 val 的值加到对应 lst 中的每个元素上）曾长期受限于 list.eval 不支持跨列引用的限制。但自 Polars v1.10.0 起，原生引入了列表与标量/同长度列之间的自动广播算术能力，使该操作变得极其简洁。
✅ 推荐方案（v1.10.0+，最优雅）
直接使用 + 运算符即可完成广播加法，Polars 会自动将 val 列的每个标量值加到对应行 lst 列中所有元素上：
import polars as pl
df = pl.DataFrame({
'lst': [[0, 1], [9, 8]],
'val': [3, 4]
})
result = df.with_columns(
lst = pl.col("lst") + pl.col("val")
)
print(result)输出：
shape: (2, 2) ┌───────────┬─────┐ │ lst ┆ val │ │ --- ┆ --- │ │ list[i64] ┆ i64 │ ╞═══════════╪═════╡ │ [3, 4] ┆ 3 │ │ [13, 12] ┆ 4 │ └───────────┴─────┘
✅ 优势：零额外开销、类型安全、惰性求值兼容、完全向量化。
⚠️ 兼容性说明与替代思路（v1.9.x 及更早）
若你尚未升级至 v1.10.0+，以下方法可作为临时替代（但仍优于 map_elements）：
方案 1：通过 struct 中转（支持变长列表）
利用 Polars 对 struct 列的广播支持，先将列表转为 struct，再相加（需指定字段策略以处理不等长列表）：
result = df.with_columns(
lst = (pl.col("lst")
.list.to_struct(n_field_strategy="max_width") # 关键：适配不同长度
+ pl.struct(pl.col("val")))
.struct.unnest() # 可选：展开回列表（需后续转换）
)
# 注意：此时 lst 是 struct 类型；如需恢复 list，需额外 map 或 explode-implode（不推荐）方案 2：使用 list.eval + pl.int_range（仅限等长列表）
若所有列表长度一致，可通过索引间接取值（较繁琐，不推荐）：
# ❌ 不通用，且性能较差，仅作技术参考
df.with_columns(
pl.col("lst").list.eval(
pl.element() + pl.col("val").take(pl.int_range(0, 1))
)
)? 注意事项
- 版本要求：pl.col("lst") + pl.col("val") 仅在 Polars ≥ 1.10.0 中可用，请通过 pl.__version__ 确认；
- 类型一致性：两列需兼容（如 list[i64] + i64 ✅，list[f64] + i64 会自动提升，但 list[str] + i64 ❌）；
- 空列表/Null 安全：广播逻辑天然保留 null 行行为（如某行 lst 为 null，结果仍为 null）；
- 性能提示：避免 map_elements —— 它强制 Python 层循环，丧失 Polars 的 Rust 后端加速优势。
✅ 总结
升级至 Polars 1.10.0+ 后，pl.col("lst") + pl.col("val") 是唯一推荐的、符合 Polars 设计哲学的解决方案：它语义清晰、性能最优、代码最简，真正实现了“所写即所想”的表达力。对于旧版本用户，建议优先升级，而非采用结构体迂回或低效映射方案。
