本文介绍使用 polars 列选择器（selectors）配合 `exclude()` 方法，一键筛选出所有整数类型列并排除特定列（如 `'p'` 和 `'z'`），避免手动列举，适用于百列级 dataframe。
在 Polars 中处理大规模结构化数据时，经常需要按数据类型批量操作列——例如，对所有整数列统一做归一化、统计或类型校验。但若需「选取所有整数列，同时排除若干特例列」，硬编码列名不仅易错，更难以维护。幸运的是，Polars 提供了强大且语义清晰的列选择器（column selectors）机制，配合链式表达式，可实现简洁、高效、可读性强的一行式解决方案。
核心思路是：先用 cs.integer() 构建一个匹配所有整数类型（i8/i16/i32/i64 等）列的选择器，再通过 .exclude("p", "z") 显式剔除不需要的列。整个过程完全惰性执行，无中间副本，性能优异。
以下为完整示例代码：
import polars as pl
import polars.selectors as cs
df = pl.DataFrame(
{
'p': [1, 2, 1, 3, 1, 2],
'x': list(range(6, 0, -1)),
'y': list(range(2, 8)),
'z': [3, 4, 5, 6, 7, None], # 注意：含 null，但 dtype 仍为 i64
"q": list('abcdef')
}
)
# ✅ 推荐做法：选取所有整数列，排除 'p' 和 'z'
result = df.select(cs.integer().exclude("p", "z"))
print(result)输出：
shape: (6, 2) ┌─────┬─────┐ │ x ┆ y │ │ --- ┆ --- │ │ i64 ┆ i64 │ ╞═════╪═════╡ │ 6 ┆ 2 │ │ 5 ┆ 3 │ │ 4 ┆ 4 │ │ 3 ┆ 5 │ │ 2 ┆ 6 │ │ 1 ┆ 7 │ └─────┴─────┘
✅ 关键优势说明：
- cs.integer() 自动识别所有有符号整数类型列（包括含 null 的 i64 列，如本例中的 'z'），无需关心具体位宽；
- .exclude() 支持字符串、正则或 selector 多种形式，此处传入列名元组即可精准过滤；
- 整个 select() 调用仅触发一次物理列提取，零冗余计算；
- 可无缝组合其他 selector，例如 cs.integer() & ~cs.by_name("p", "z") 或 cs.integer().exclude(cs.starts_with("temp"))，扩展性极强。
⚠️ 注意事项：
- cs.integer() 不包含无符号整数（如 u32, u64），如需涵盖，请改用 cs.by_dtype(pl.INTEGER_DTYPES)；
- 若目标列名不存在，.exclude() 不会报错，而是静默跳过（安全设计）；
- 该方法仅作用于列名匹配，不检查运行时数据内容（例如某 f64 列全为整数值也不会被选中）。
总之，善用 polars.selectors 是写出健壮、可维护 Polars 代码的关键实践之一。面对数百列的场景，这一模式不仅能显著减少代码量，更能将业务逻辑（“我要整数列，但不要 p 和 z”）直接映射为代码，大幅提升开发效率与可读性。
