一份 CSV 明明放得下硬盘，处理时却塞不进内存；电脑有十几个核心，任务还只占一个。KDnuggets 的这份速查表解释了 Polars 为什么能缓解这些问题：它是处理 DataFrame（带列名和类型的二维数据表）的工具，但速度优势不只是因为用 Rust 编写，更来自整套执行方式。
关键在 scan_csv 和 collect。前者先读取文件头，不立刻把整份数据装进内存；其后的筛选、计算都先记成表达式，直到 collect 才真正执行。这种“惰性执行”让查询优化器先看完整流程，把筛选提前到读文件阶段，并跳过用不到的列。底层的 Apache Arrow 又把同一列数据紧密排列，便于批量计算和减少转换。Polars 还能调用多个 CPU 核心；文件大于内存时，collect(engine="streaming") 可分块处理。换句话说，它像先看完整张采购单，再只搬需要的箱子，而不是把仓库全部清空后慢慢挑。文章是一份用法速查表，并未提供统一的性能测试数字。