本文介绍在 polars 中高效统一转换 dataframe 所有列名为大写的两种方法：推荐使用 df.rename(str.upper)（函数式、简洁、无显式循环），也可通过直接赋值列表推导式实现；重点解析其原理、适用场景及注意事项。
本文介绍在 polars 中高效统一转换 dataframe 所有列名为大写的两种方法：推荐使用 df.rename(str.upper)（函数式、简洁、无显式循环），也可通过直接赋值列表推导式实现；重点解析其原理、适用场景及注意事项。
在数据处理实践中，列名大小写不一致是常见问题——尤其当数据来自多个系统或经过多次拼接后，列名可能混用 snake_case、PascalCase 或全小写形式。Polars 提供了优雅且高性能的方式批量标准化列名，无需手动遍历。
✅ 推荐方案：使用 rename() 配合内置函数
Polars 的 DataFrame.rename() 方法不仅支持字典映射，还原生支持传入可调用对象（Callable），如 str.upper、str.lower 或自定义函数。该方式简洁、函数式、语义清晰，且底层高度优化：
import polars as pl
df = pl.DataFrame({
"foo": [1, 2, 3, 4, 5, 8],
"baz": [5, 4, 3, 2, 1, 9],
})
df_upper = df.rename(str.upper)
print(df_upper)输出：
shape: (6, 2) ┌─────┬─────┐ │ FOO ┆ BAZ │ │ --- ┆ --- │ │ i64 ┆ i64 │ ╞═════╪═════╡ │ 1 ┆ 5 │ │ 2 ┆ 4 │ │ 3 ┆ 3 │ │ 4 ┆ 2 │ │ 5 ┆ 1 │ │ 8 ┆ 9 │ └─────┴─────┘
✅ 优势：
- 零循环、无副作用：不修改原 DataFrame（返回新实例），符合函数式编程习惯；
- 类型安全：Polars 自动校验列名唯一性与合法性（如禁止空字符串、重复名或非法字符）；
- 可扩展性强：轻松替换为 lambda x: x.strip().replace(" ", "_").upper() 等复杂逻辑。
⚠️ 替代方案：直接赋值 df.columns（慎用）
你已发现的 df.columns = [x.upper() for x in df.columns] 在语法上可行，但存在明显局限：
# ❌ 不推荐：破坏不可变性 & 缺少校验 df.columns = [col.upper() for col in df.columns] # 原地修改，返回 None
⚠️ 注意事项：
- 此操作直接修改原 DataFrame 的列名列表，属于隐式副作用，不利于调试与链式操作；
- 跳过 Polars 内部校验：若生成重复列名（如 "Foo" 和 "FOO" 同时存在），后续操作可能意外失败；
- 无法利用 Polars 的惰性求值优化，对超大宽表（数百列）性能无增益。
? 总结与最佳实践
| 方案 | 是否推荐 | 是否返回新 DataFrame | 是否校验列名 | 可读性 |
|---|---|---|---|---|
| df.rename(str.upper) | ✅ 强烈推荐 | 是 | 是 | 高（语义明确） |
| df.columns = [...] | ❌ 不推荐 | 否（原地修改） | 否 | 中（需理解底层） |
? 进阶提示：若需保留原始列名做审计，可先用 df.columns 记录映射关系：
old_to_new = {old: old.upper() for old in df.columns}
df = df.rename(old_to_new) # 或直接 rename(str.upper)无论数据规模是数十列还是上千列，df.rename(str.upper) 都是 Polars 中最简洁、健壮、符合惯用法的列名标准化方案。
