在 polars 中，使用 `select()` 方法选取单列始终返回一个 dataframe（形状为 `(n, 1)`），而非 series；若需获取 series，应使用 `df["col"]`、`df.get_column("col")` 或链式调用 `.to_series()`。
Polars 的设计哲学强调显式性与一致性：select() 是面向列集合的投影操作（projection），其语义是“从原表中选出若干列构成新表”，因此即使只选一列，结果仍是结构完整的 DataFrame——这与 Pandas 的 df[["A"]] 行为一致，但不同于 df["A"]（后者直接返回 Series）。
以下代码清晰展示了这一行为：
import polars as pl
df = pl.DataFrame({
"A": [1, 2, 3],
"B": [6, 7, 8],
"C": ["a", "b", "c"],
})
# ✅ select("A") 返回 DataFrame（1 列）
result_df = df.select("A")
print(type(result_df)) #
print(result_df.shape) # (3, 1)
# ✅ 获取 Series 的三种推荐方式：
series_1 = df["A"] # 最简洁、最常用（索引式访问）
series_2 = df.get_column("A") # 显式语义，安全且高效（推荐用于动态列名）
series_3 = df.select("A").to_series() # 链式转换，适合嵌套操作场景
print(type(series_1), series_1.shape) # (3,) ⚠️ 注意事项：
- df.select("A").to_series() 要求所选 DataFrame 严格仅含一列，否则会抛出 ValueError: cannot call to_series when DataFrame has more than one column；
- df["A"] 和 df.get_column("A") 在列不存在时行为不同：前者触发 KeyError，后者抛出 ColumnNotFoundError，后者更适合错误类型明确的生产环境校验；
- 若在表达式上下文（如 with_columns 或 filter）中使用单列逻辑，通常直接传入列名字符串或 pl.col("A")，无需手动转 Series。
✅ 总结：
| 场景 | 推荐方法 | 说明 |
|------|----------|------|
| 快速交互/脚本开发 | df["A"] | 简洁直观，Pythonic |
| 动态列名/健壮性要求高 | df.get_column("A") | 类型安全，错误信息更明确 |
| 已在 select() 链中需转 Series | .to_series() | 保持操作流式化，避免重复索引 |
理解 select() 的 DataFrame 本质，是写出清晰、可维护 Polars 代码的关键一步。
