本文介绍 Polars 中访问 struct 类型列（如 value_counts() 输出）中特定字段的多种方法，重点推荐无需 unnest 的链式结构索引方案，并对比性能与可读性，助你用一行代码安全获取目标值。
本文介绍 polars 中访问 struct 类型列（如 `value_counts()` 输出）中特定字段的多种方法，重点推荐无需 `unnest` 的链式结构索引方案，并对比性能与可读性，助你用一行代码安全获取目标值。
在 Polars 中，value_counts() 方法返回一个包含 struct 类型列的 DataFrame（例如 struct[2]，含 "color" 和 "count" 两个字段），这与 Pandas 中直接返回 Series 并支持 .loc['red'] 的直观体验不同。初学者常困惑于“为何取一个计数要写三行？”。其实，Polars 提供了更紧凑、语义清晰的结构体字段访问方式——直接使用 .struct[field_name] 进行嵌套索引。
以下以实际示例演示核心技巧：
import polars as pl
df = pl.DataFrame({"color": ["red", "blue", "red", "green", "blue", "blue"]})
# ✅ 推荐：一行完成 —— 先 filter 再 item()，利用 struct 索引定位
count_red = (
df.select(pl.col("color").value_counts())
.filter(pl.col("color").struct["color"] == "red")
.item()["count"]
)
print(count_red) # 输出: 2该写法的关键在于：
- pl.col("color").struct["color"] 显式访问 struct 中名为 "color" 的子字段；
- .filter(...).item() 确保结果唯一且直接解包为 Python 原生值（要求过滤后仅 1 行，否则抛出 InvalidOperationError）；
- 整个表达式保持惰性求值与链式可读性，无需中间变量。
⚠️ 注意事项：
- 若目标值可能不存在（如查询 "yellow"），.item() 会报错。此时应改用 .collect().to_series().to_list() 或结合 len() 判断：
result = (df.select(pl.col("color").value_counts()) .filter(pl.col("color").struct["color"] == "yellow")) count = result.item()["count"] if len(result) == 1 else 0 - 替代方案 group_by("color").len().filter(...) 语义等价但略冗长；而 unnest() 虽通用，却引入额外列操作开销，对单值提取属于“过度展开”。
? 总结：Polars 的 struct 访问并非限制，而是类型安全的设计体现。.struct["field"] 是解锁嵌套数据的标准钥匙——它不牺牲性能，也不妥协表达力。掌握这一模式，你不仅能简化 value_counts() 后的取值逻辑，还能从容处理 JSON 解析、嵌套 API 响应等更复杂场景。
