本文介绍如何高效、简洁地将 Polars DataFrame 的全部列名统一转为大写，重点推荐 df.rename(str.upper) 这一函数式方法，避免显式循环，兼顾可读性与性能。
本文介绍如何高效、简洁地将 polars dataframe 的全部列名统一转为大写，重点推荐 `df.rename(str.upper)` 这一函数式方法，避免显式循环，兼顾可读性与性能。
在数据清洗和标准化流程中，统一列名大小写是常见需求。当 Polars DataFrame 拥有数百列且命名风格混杂（如 "sales", "Region", "CUSTOMER_ID"）时，手动逐个重命名显然不可行，而传统列表推导式（如 df.columns = [x.upper() for x in df.columns]）虽可行，但属于“侵入式”操作——它绕过了 Polars 的链式调用设计哲学，且无法参与表达式优化。
更优雅、更符合 Polars 风格的解决方案是使用 .rename() 方法，并传入内置函数 str.upper：
import polars as pl
df = pl.DataFrame({
"foo": [1, 2, 3, 4, 5, 8],
"baz": [5, 4, 3, 2, 1, 9],
"MixedCaseCol": ["a", "b", "c", "d", "e", "f"]
})
df_upper = df.rename(str.upper)
print(df_upper.columns) # ['FOO', 'BAZ', 'MIXEDCASECOL']✅ 优势说明：
- 无循环、函数式：str.upper 作为可调用对象被 rename() 内部批量应用，语义清晰，代码极简；
- 返回新 DataFrame：默认行为是惰性复制（lazy evaluation 兼容），不修改原数据，利于链式操作（如 df.rename(str.upper).select(...).filter(...)）；
- 类型安全：Polars 会自动保留原始列的数据类型与元信息，仅变更名称；
- 扩展性强：同理可替换为 str.lower、str.title 或自定义函数（如 lambda x: x.replace(" ", "_").upper()）。
⚠️ 注意事项：
- 若存在列名经 upper() 后重复（例如 "Foo" 和 "FOO"），Polars 将抛出 DuplicateError，需提前去重或添加唯一后缀；
- rename() 不支持就地修改（即无 inplace=True 参数），如需复用变量名，可显式赋值：df = df.rename(str.upper)；
- 该方法仅作用于列名（df.columns），不影响行索引或单元格内容。
综上，df.rename(str.upper) 是 Polars 中标准化列名的首选方案：它简洁、安全、可组合，充分体现了函数式数据处理的设计理念。在构建可维护的数据流水线时，优先选用此类声明式操作，而非过程式循环。
