本文介绍如何高效地将 Polars DataFrame 的全部列名统一转换为大写格式，重点推荐使用 df.rename(str.upper) 这一简洁、函数式且无需显式循环的方案，并对比说明其优势与适用场景。
本文介绍如何高效地将 polars dataframe 的全部列名统一转换为大写格式，重点推荐使用 `df.rename(str.upper)` 这一简洁、函数式且无需显式循环的方案，并对比说明其优势与适用场景。
在数据处理中，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/读取后，列名可能混杂大小写（如 "foo"、"Bar"、"BAZ"），影响后续链式操作、列选择或 Schema 一致性校验。Polars 作为高性能 DataFrame 库，提供了优雅且高效的解决方案。
最直接的方式是利用 .rename() 方法接收可调用对象（Callable）的特性：
import polars as pl
df = pl.DataFrame({
"foo": [1, 2, 3, 4, 5, 8],
"baz": [5, 4, 3, 2, 1, 9],
"Qux": [10, 20, 30, 40, 50, 60]
})
# ✅ 推荐：一行代码，函数式风格，性能优异
df_upper = df.rename(str.upper)
print(df_upper.columns) # ['FOO', 'BAZ', 'QUX']
print(df_upper)输出：
shape: (6, 3) ┌─────┬─────┬─────┐ │ FOO ┆ BAZ ┆ QUX │ │ --- ┆ --- ┆ --- │ │ i64 ┆ i64 ┆ i64 │ ╞═════╪═════╪═════╡ │ 1 ┆ 5 ┆ 10 │ │ 2 ┆ 4 ┆ 20 │ │ 3 ┆ 3 ┆ 30 │ │ 4 ┆ 2 ┆ 40 │ │ 5 ┆ 1 ┆ 50 │ │ 8 ┆ 9 ┆ 60 │ └─────┴─────┴─────┘
该方法本质是将 str.upper 作为映射函数，由 Polars 内部对每个原始列名调用一次，完全避免 Python 层面的显式 for 循环，既简洁又具备底层优化优势。相比手动赋值 df.columns = [...]，.rename() 是不可变（immutable）操作——它返回新 DataFrame，不修改原对象，更符合 Polars 的函数式编程范式与链式调用习惯（例如可无缝衔接 .select() 或 .filter()）。
⚠️ 注意事项：
- str.upper 仅作用于字符串列名；若存在非字符串列名（如整数、None），会抛出 TypeError。建议在转换前确保列名均为 str 类型（可通过 assert all(isinstance(c, str) for c in df.columns) 校验）；
- 若需更复杂的重命名逻辑（如仅对特定模式列名转大写、添加前缀等），仍可传入自定义 lambda 或函数：df.rename(lambda col: col.upper() if col.islower() else col)；
- 该方法不影响数据内容、数据类型或索引，仅变更列名（Schema 中的字段名）。
总结：面对数百列的 DataFrame，df.rename(str.upper) 是最推荐的标准化列名大小写的方案——它语义清晰、代码极简、性能可靠，且天然兼容 Polars 的不可变设计哲学。在构建稳健的数据预处理流水线时，应优先选用此类内置函数式接口，而非手动列表推导或原地赋值。
