Polars 没有 .query() 方法，但可通过 filter() 配合表达式（如 pl.col()）高效、清晰地实现相同的数据筛选逻辑，语法更显式、类型安全且性能更优。
polars 没有 `.query()` 方法，但可通过 `filter()` 配合表达式（如 `pl.col()`）高效、清晰地实现相同的数据筛选逻辑，语法更显式、类型安全且性能更优。
在 Pandas 中，df.query("B >= @item") 是一种基于字符串的动态过滤方式，支持变量插值（@item）和类 SQL 语法，简洁易读。然而 Polars 的设计理念强调显式性、编译时可验证性与零拷贝计算，因此不提供字符串解析型查询接口——而是用 声明式表达式（Expression API） 取代。
✅ 正确等效写法如下：
import polars as pl
import numpy as np
data = {
'A': ["Polars", "Python", "Pandas"],
'B': [23000, 24000, 26000],
'C': ['30days', '40days', None], # 注意：Polars 中用 None 代替 np.nan
}
df = pl.DataFrame(data)
item = 24000
result = df.filter(pl.col("B") >= item)
print(result)输出：
BJXSHOP网上开店专家
下载
BJXShop网上购物系统是一个高效、稳定、安全的电子商店销售平台，经过近三年市场的考验，在中国网购系统中属领先水平；完善的订单管理、销售统计系统；网站模版可DIY、亦可导入导出；会员、商品种类和价格均实现无限等级；管理员权限可细分；整合了多种在线支付接口；强有力搜索引擎支持... 程序更新：此版本是伴江行官方商业版程序，已经终止销售，现于免费给大家使用。比其以前的免费版功能增加了：1，整合了论坛
shape: (2, 3) ┌────────┬───────┬────────┐ │ A ┆ B ┆ C │ │ --- ┆ --- ┆ --- │ │ str ┆ i64 ┆ str │ ╞════════╪═══════╪════════╡ │ Python ┆ 24000 ┆ 40days │ │ Pandas ┆ 26000 ┆ null │ └────────┴───────┴────────┘
? 关键要点解析：
- pl.col("B") 创建一个指向列 "B" 的惰性表达式，支持所有比较、算术、逻辑及字符串操作；
- >= item 中的 item 是普通 Python 变量，无需 @ 前缀——Polars 自动识别并广播标量值；
- filter() 接收布尔表达式（返回 Expr 或 Series），仅保留 True 对应行，语义明确，无歧义；
- 支持链式组合：df.filter((pl.col("B") >= item) & (pl.col("A").str.starts_with("P")))；
- 若需复用复杂条件，可提前定义表达式变量，提升可读性与可维护性：
condition = (pl.col("B") >= item) & pl.col("C").is_not_null()
result = df.filter(condition)⚠️ 注意事项：
- ❌ 不要尝试 df.filter("B >= @item") —— 字符串形式会报错，Polars 不解析 SQL 式字符串；
- ✅ None 在 Polars 中表示缺失值（对应 null），而 np.nan 会被自动转为 null，但建议直接使用 None 保持一致性；
- ? filter() 等价于 Pandas 的 df.loc[...] 或 df.query(...) 的布尔筛选语义，不是 df.query() 的语法糖，而是更底层、更可控的原语；
- ? 表达式在执行前被优化（如谓词下推、列裁剪），因此 filter() 在大数据集上通常比 Pandas query() 更快、内存更友好。
总结：放弃对 .query() 的依赖，拥抱 filter() + pl.col() 组合——它更安全、更快速、更符合 Polars 的函数式数据流哲学。每一次显式列引用，都是对代码可维护性与执行确定性的投资。
