polars 1.10.0+ 支持列表列与标量列的原生广播算术运算，可直接使用 `pl.col(“lst”) + pl.col(“val”)` 实现逐元素相加，无需 `map_elements` 或嵌套 `list.eval`，简洁、安全且性能优异。
在 Polars 中对列表列（list[i64]）执行“按行广播”式算术操作（如将 val 列的每个标量值加到对应 lst 列中每个元素上），曾长期受限于 list.eval 不支持跨列引用的限制。但自 Polars v1.10.0 起，该功能已原生支持——列表列与数值列之间的加减乘除等二元运算，会自动按行广播：即对第 i 行的 lst[i] 中每个元素，加上第 i 行的 val[i] 值。
✅ 推荐方案（简洁、高效、向量化）：
import polars as pl
df = pl.DataFrame({
'lst': [[0, 1], [9, 8]],
'val': [3, 4]
})
result = df.with_columns(
lst=pl.col("lst") + pl.col("val") # 直接相加，自动广播
)
print(result)
输出：
shape: (2, 2) ┌───────────┬─────┐ │ lst ┆ val │ │ --- ┆ --- │ │ list[i64] ┆ i64 │ ╞═══════════╪═════╡ │ [3, 4] ┆ 3 │ │ [13, 12] ┆ 4 │ └───────────┴─────┘
⚠️ 注意事项：
- 此语法仅适用于 Polars ≥ 1.10.0。旧版本会报错或静默失败，请先检查版本：pl.__version__。
- 列表长度无需一致（如 [[1], [2, 3, 4]]），广播逻辑天然兼容变长列表。
- 支持所有标准算术运算符：+, -, *, /, //, %, **。
- 若需更复杂逻辑（如条件加法、调用自定义函数），仍需 list.eval(pl.element().apply(…)) 或 map_elements，但应尽量避免后者（非向量化、无类型推断、性能较差）。
? 替代方案（兼容旧版本，但稍冗余）：
若必须支持
# 仅当列表长度一致时推荐；否则需处理缺失字段
result_legacy = df.with_columns(
lst=pl.col("lst").list.to_struct(n_field_strategy="max_width")
+ pl.struct(pl.col("val"))
).select(
pl.col("lst").struct.field("*").alias("lst"), # 展开为列表（需后续转回）
"val"
)
但此方式返回 struct 类型，且转换回 list 需额外步骤（如 struct.unnest() + list.from_columns），远不如原生广播直观。
? 总结：升级至 Polars 1.10.0+ 后，pl.col(“lst”) + pl.col(“val”) 是最优雅、最高效、最符合 Polars 设计哲学的解决方案——它完全利用底层 Arrow 的向量化能力，零额外开销，代码可读性极佳，应作为首选实践。