本文介绍如何在 Polars DataFrame 中高效、简洁地计算布尔列中 True 行数与 False 行数的比值，推荐使用表达式 API 直接聚合，避免显式过滤和 shape 查询，兼顾性能与可读性。
本文介绍如何在 polars dataframe 中高效、简洁地计算布尔列中 `true` 行数与 `false` 行数的比值，推荐使用表达式 api 直接聚合，避免显式过滤和 shape 查询，兼顾性能与可读性。
在 Polars 中，布尔列（pl.Boolean）天然支持数值语义：True 等价于 1，False 等价于 0。因此，对布尔列调用 .sum() 即等价于统计 True 的数量；而 .not_().sum() 则先取逻辑非（True → False，False → True），再求和，即统计 False 的数量。二者相除即可直接得到目标比值。
以下为完整示例：
import polars as pl
import numpy as np
df = pl.DataFrame(
{
"nrs": [1, 2, 3, None, 5],
"names": ["foo", "ham", "spam", "egg", None],
"random": np.random.rand(5),
"A": [True, True, False, False, False],
}
)
# ✅ 推荐写法：一行表达式，纯惰性计算，零中间 DataFrame 构建
ratio = df.select(pl.col("A").sum() / pl.col("A").not_().sum()).item()
print(f"True 与 False 行数比值: {ratio:.3f}") # 输出示例：2.000该方法优势显著：
- 高性能：全程基于 Polars 表达式引擎，无需 materialize 子集或触发多次扫描；
- 简洁安全：自动处理空值（None 在布尔列中会被 .sum() 和 .not_().sum() 忽略，符合 Polars 的 null-aware 聚合规则）；
- 类型清晰：.item() 显式提取标量结果，避免意外返回 Series。
⚠️ 注意事项：
- 若列 A 可能包含 null 值且你希望将其排除在分母外（即仅统计非空 False），当前写法已默认满足（.not_() 对 null 返回 null，.sum() 自动跳过）；
- 若需支持任意布尔表达式（如 pl.col("status") == "active"），只需将 pl.col("A") 替换为对应表达式，其余逻辑不变；
- 避免使用 df.filter(...).shape[0] 类方式——它会触发完整行过滤与计数，开销更大，且易受空值/类型隐式转换影响。
总结：善用 Polars 布尔列的数值映射特性与链式表达式，是实现此类统计任务最地道、最高效的方式。
