也许有一种更直接的方法--您可以循环遍历每个.schema并构建自己的“超类型”模式。
您可以使用它来生成强制类型转换信息。

import polars as pl
import tempfile

file1 = tempfile.NamedTemporaryFile()
file2 = tempfile.NamedTemporaryFile()

csv1 = b"""
col1,col2,col3
1,1,"a"
2,1,"b"
"""

csv2 = b"""
col1,col2,col3
1,,"a"
2,,"b"
"""

file1.write(csv1)
file2.write(csv2)

file1.seek(0)
file2.seek(0)

schema = {}
sources = file1, file2

frames = [ pl.scan_csv(source.name) for source in sources ]
for frame in frames:
    for name, dtype in frame.schema.items():
        if dtype == pl.Utf8 and schema.get(name, pl.Utf8) != pl.Utf8:
            pass
        else:
            schema[name] = dtype

df = pl.concat(
    frame.with_columns(
        pl.col(name).cast(dtype) for name, dtype in schema.items())
    for frame in frames
)

>>> df
<polars.LazyFrame object at 0x12D67D570>
>>> df.collect()
shape: (4, 3)
┌──────┬──────┬──────┐
│ col1 | col2 | col3 │
│ ---  | ---  | ---  │
│ i64  | i64  | str  │
╞══════╪══════╪══════╡
│ 1    | 1    | a    │
│ 2    | 1    | b    │
│ 1    | null | a    │
│ 2    | null | b    │
└──────┴──────┴──────┘

要删除null列，可以选择任何值都不为空的列

>>> df = pl.read_csv(csv2)
>>> df
shape: (2, 3)
┌──────┬──────┬──────┐
│ col1 | col2 | col3 │
│ ---  | ---  | ---  │
│ i64  | str  | str  │
╞══════╪══════╪══════╡
│ 1    | null | a    │
│ 2    | null | b    │
└──────┴──────┴──────┘
>>> df.select(col for col in df if col.is_not_null().any())
shape: (2, 2)
┌──────┬──────┐
│ col1 | col3 │
│ ---  | ---  │
│ i64  | str  │
╞══════╪══════╡
│ 1    | a    │
│ 2    | b    │
└──────┴──────┘

.drop需要字符串-因此您可以

>>> df.drop([col.name for col in df if col.is_null().all()])
shape: (2, 2)
┌──────┬──────┐
│ col1 | col3 │
│ ---  | ---  │
│ i64  | str  │
╞══════╪══════╡
│ 1    | a    │
│ 2    | b    │
└──────┴──────┘

很抱歉造成了混淆。pl.concat（）的how参数只支持“vertical”、“diagonal”和“horizontal”，这是正确的。排除所有值为空的行的正确参数是drop_rows。
下面是一个更新的示例：

TESTDATA1 = StringIO("""
    col1,col2,col3
    1,1,"a"
    2,1,"b"
""")

TESTDATA2 = StringIO("""
    col1,col2,col3
    1,,"a"
    2,,"b"
""")

df = pl.concat(
    [
        pl.read_csv(TESTDATA1),
        pl.read_csv(TESTDATA2),
    ],
    how="diagonal"
)

df = df.fill_none() # fill null values with default values of the same type

# exclude rows with all null values
df = df.drop_rows(
    condition=lambda row: all(row.get(col) is pl.NA for col in df.columns)
)

关于drop_nulls（）中的axis参数，Polars中不存在该参数，这是正确的，但可以使用subset参数传递列的子集来检查空值。
下面是一个更新的示例：

# drop rows where all values in "col2" are null
df = df.drop_nulls(how="all", subset=["col2"])

我为我之前的回复引起的任何混乱道歉。如果你有任何进一步的问题，请让我知道。