在数据分析和处理的场景中，我们经常会遇到需要处理大量结构相同但存储在不同文件中的数据。例如，一系列按产品或日期划分的csv文件，如 data_product_1.csv、data_product_2.csv 等。通常，我们希望将这些文件的数据合并到一个统一的dataframe中，并且在此过程中，能够为每条记录添加一个标识其来源文件（或从中提取的产品代码）的额外列。虽然polars提供了方便的通配符加载功能 pl.read_csv("data_*.csv") 来合并文件，但它不直接支持在加载时自动添加文件名作为列。本文将介绍如何利用polars的惰性api来实现这一高级功能。
批量加载与自定义列添加的Polars解决方案
Polars的惰性（Lazy）API是处理大规模数据的强大工具，它允许我们构建计算图，延迟实际的数据加载和计算，直到 collect() 方法被调用。这使得Polars能够进行查询优化，并在可能的情况下并行处理任务，从而显著提高性能。
为了实现批量加载CSV文件并添加文件名作为新列，我们将结合使用 polars.scan_csv、Python的 pathlib 模块和 polars.concat。
步骤详解
-
文件准备： 首先，确保您的工作目录下有如下结构的CSV文件。例如，创建三个文件：data_product_1.csv, data_product_2.csv, data_product_3.csv。
data_product_1.csv:
data,value 2000-01-01,1 2000-01-02,2
data_product_2.csv:
data,value 2000-01-01,3 2000-01-02,4
data_product_3.csv:
XYCMS建站系统php版1.4下载XYCMS建站系统PHP版非MVC框架,自己手写原生态普通代码，作为企业用，已经绰绰有余。软件运行效率中等，加入数据缓存后性能提高。假如用来学习，下载可以慢慢研究的，假如用来建站，可以选择购买商业版就行建站用。栏目类别：文章，人员信息，专题项目，招聘，下载，相册，单页【支持无限极分类】文章：可用作添加新闻，资讯，列表信息类栏目信息人员信息：可用作企业员工信息栏目内容添加或者维护专题项目：可用作企业
data,value 2000-01-01,4 2000-01-02,5
-
导入必要的库： 我们需要 polars 进行数据操作，以及 pathlib 来方便地查找文件。
import polars as pl from pathlib import Path
-
构建惰性DataFrame列表： 遍历所有符合模式的CSV文件，对每个文件执行以下操作：
- 使用 pl.scan_csv(f) 创建一个惰性DataFrame。
- 使用 with_columns(product_code=pl.lit(f.name)) 添加一个名为 product_code 的新列。pl.lit(f.name) 将当前文件的名称作为字面量值赋给新列的所有行。
# 获取当前目录下所有匹配 "data_*.csv" 模式的文件路径 csv_files = Path().glob("data_*.csv") # 为每个文件创建一个LazyFrame，并添加文件名作为新列 lazy_frames = [ pl.scan_csv(f).with_columns(product_code=pl.lit(f.name)) for f in csv_files ] -
合并惰性DataFrame并执行计算： 使用 pl.concat() 将所有惰性DataFrame合并成一个单一的惰性DataFrame。默认情况下，pl.concat 会并行处理这些惰性DataFrame，从而提高效率。最后，调用 .collect() 来触发实际的数据加载和计算，将惰性DataFrame转换为一个急切（Eager）的DataFrame。
# 合并所有LazyFrame，并在collect()时并行读取和处理 df = pl.concat(lazy_frames).collect() # 打印结果 print(df)
完整代码示例
import polars as pl
from pathlib import Path
import os
# --- 准备测试文件 (如果您的环境没有这些文件，请运行此段代码) ---
# 创建一个临时目录来存放CSV文件
temp_dir = "temp_csv_data"
os.makedirs(temp_dir, exist_ok=True)
# 写入测试CSV文件
file_contents = {
"data_product_1.csv": "data,value\n2000-01-01,1\n2000-01-02,2",
"data_product_2.csv": "data,value\n2000-01-01,3\n2000-01-02,4",
"data_product_3.csv": "data,value\n2000-01-01,4\n2000-01-02,5"
}
for filename, content in file_contents.items():
with open(Path(temp_dir) / filename, "w") as f:
f.write(content)
# --- 测试文件准备结束 ---
# 切换到临时目录以查找文件
original_cwd = Path.cwd()
os.chdir(temp_dir)
try:
# 获取当前目录下所有匹配 "data_*.csv" 模式的文件路径
csv_files = Path().glob("data_*.csv")
# 为每个文件创建一个LazyFrame，并添加文件名作为新列
lazy_frames = [
pl.scan_csv(f).with_columns(product_code=pl.lit(f.name))
for f in csv_files
]
# 合并所有LazyFrame，并在collect()时并行读取和处理
# 如果没有文件，lazy_frames可能为空，需要处理
if lazy_frames:
df = pl.concat(lazy_frames).collect()
# 打印结果
print(df)
else:
print("未找到匹配的CSV文件。")
finally:
# 切换回原始工作目录并清理临时文件
os.chdir(original_cwd)
import shutil
shutil.rmtree(temp_dir)输出结果
执行上述代码后，您将得到一个合并后的DataFrame，其中包含原始数据以及一个名为 product_code 的新列，该列存储了每条记录对应的源文件名：
shape: (6, 3) ┌────────────┬───────┬────────────────────┐ │ data ┆ value ┆ product_code │ │ --- ┆ --- ┆ --- │ │ str ┆ i64 ┆ str │ ╞════════════╪═══════╪════════════════════╡ │ 2000-01-01 ┆ 1 ┆ data_product_1.csv │ │ 2000-01-02 ┆ 2 ┆ data_product_1.csv │ │ 2000-01-01 ┆ 3 ┆ data_product_2.csv │ │ 2000-01-02 ┆ 4 ┆ data_product_2.csv │ │ 2000-01-01 ┆ 4 ┆ data_product_3.csv │ │ 2000-01-02 ┆ 5 ┆ data_product_3.csv │ └────────────┴───────┴────────────────────┘
如果您需要从 product_code 列中提取更精简的产品名称（例如，将 data_product_1.csv 转换为 product_1），可以在 with_columns 之后或 collect() 之后进一步使用字符串操作，例如 df.with_columns(pl.col("product_code").str.extract(r"product_(\d+).csv").alias("product_id"))。
核心概念解析
惰性评估 (LazyFrame)： pl.scan_csv() 返回的是一个 LazyFrame 对象，而不是立即加载数据的 DataFrame。这意味着Polars不会立即读取文件内容或执行任何计算。它只是构建一个表示未来计算步骤的计划。这种惰性特性对于处理大型数据集至关重要，因为它允许Polars优化整个查询，例如只读取所需列，或在内存不足时进行批处理。
并行处理： 当使用 pl.concat() 合并多个 LazyFrame 并最终调用 collect() 时，Polars会尝试并行地读取和处理这些文件。这充分利用了多核CPU的优势，显著加快了数据加载和初始转换的速度，特别是在文件数量众多或单个文件较大时。
pathlib 模块： pathlib 提供了面向对象的路径操作方式，使得文件路径的查找、遍历和处理变得更加简洁和Pythonic。Path().glob("data_*.csv") 能够方便地获取所有符合通配符模式的文件路径对象。
注意事项与最佳实践
- 文件路径：确保 Path().glob("data_*.csv") 能正确找到您的文件。如果文件在子目录中，您可能需要调整路径或使用更复杂的 glob 模式。
- 内存管理：尽管惰性评估有助于优化，但最终的 collect() 操作仍会将所有数据加载到内存中。对于超大型数据集，如果单次 collect() 导致内存溢出，可能需要考虑分批处理或使用更高级的流式处理技术。
- 错误处理：在实际应用中，您可能需要添加错误处理机制，例如检查 lazy_frames 列表是否为空，或者在文件读取失败时进行捕获。
- 性能考量：对于极少量的小文件，逐个加载并合并可能性能差异不明显。但对于成百上千个文件或单个文件较大时，本文介绍的惰性并行处理方法将展现出显著的性能优势。
- 文件名提取：pl.lit(f.name) 直接使用完整文件名。如果需要提取文件名中的特定部分（如 product_1），可以使用Polars的字符串方法（str.replace(), str.extract() 等）进行进一步处理。
总结
通过结合使用 polars.scan_csv、pathlib 和 polars.concat，我们能够优雅且高效地解决批量加载多个CSV文件并动态添加文件名信息的需求。这种方法充分利用了Polars的惰性评估和并行处理能力，不仅代码简洁，而且在处理大规模数据时表现出卓越的性能。掌握这一模式，将极大地提升您在Polars中进行数据预处理和特征工程的效率。
