表达式核心 / expr.py

expr.alias

无状态算子，重命名输出

可执行示例returns: Exprexpr

输入 / 输出

输入

输入项	类型	示例
`x`	`Float64`	1.0

输出

项目	说明
返回类型	`Expr`
输出对象	Expr；执行后得到 Polars DataFrame
输出语义	输出列由算子、alias 或底层实现决定；需要稳定列名时显式使用 alias。
执行方式	用 col(...).runtime() 或 col.with_cols(...).runtime() 创建执行计划后 calc_data。
核心调用	`col("x").alias("x_clean")`

打印输入 / 打印输出

下面内容来自本页示例代码真实执行后的 stdout，不是手写占位。

打印输入

print(data)

shape: (20, 1)
┌──────┐
│ x    │
│ ---  │
│ f64  │
╞══════╡
│ 1.0  │
│ 1.25 │
│ 1.5  │
│ 1.75 │
│ 2.0  │
│ …    │
│ 4.75 │
│ 5.0  │
│ 5.25 │
│ 5.5  │
│ 5.75 │
└──────┘

打印输出

print(out)

shape: (20, 1)
┌─────────┐
│ x_clean │
│ ---     │
│ f64     │
╞═════════╡
│ 1.0     │
│ 1.25    │
│ 1.5     │
│ 1.75    │
│ 2.0     │
│ …       │
│ 4.75    │
│ 5.0     │
│ 5.25    │
│ 5.5     │
│ 5.75    │
└─────────┘

调用

Python

col("x").alias("x_clean")

参数	类型	默认值	说明
`*names`	`str \| list[str]`	`可选`	可变位置参数

完整代码

本页完整例子会执行真实的 calc_data 或对象调用。

展开可复制完整代码

Python

import datetime as dt
import polars as pl
import qust as qs
from qust import col, pms

data = pl.DataFrame(
    {
        "x": [1.0, 1.25, 1.5, 1.75, 2.0, 2.25, 2.5, 2.75, 3.0, 3.25, 3.5, 3.75, 4.0, 4.25, 4.5, 4.75, 5.0, 5.25, 5.5, 5.75],
    }
)

print("算子:")
print('expr.alias')
print("场景:")
print('表达式核心：在执行计划里组合计算、窗口、过滤或元数据操作。')
print("模式:")
print('可执行示例：构造表达式并运行 calc_data。')
print("输入列:")
print('x')
print("调用:")
print('col("x").alias("x_clean")')
print("输入数据:")
print(data)
expr = col("x").alias("x_clean")
df = col(expr).runtime()
out = df.calc_data(data)
print("输出:")
print(out)

改成业务代码

改哪里	怎么改
列名	把示例 DataFrame 里的列名换成你的真实列名，列顺序保持和用法一致。
参数	只改函数括号里的参数；不要随意改变 `rolling/over/batch/select` 的链式层级。
输出名	需要稳定输出列名时，在表达式尾部加 `.alias("name")`。
调试	先打印输入数据和调用字符串，再执行 `calc_data`；报 schema 错时先检查列数和 dtype。

注意事项

先确认输入列名、顺序、类型和本页一致。
输出列名不符合业务语义时，显式追加 .alias(...)。
窗口和分组类算子要确认 rolling/expanding/over/batch 的链式层级。

来源

项目	位置
源码文件	`expr.py`
类/对象	`Expr`