开发者分享使用 Polars 快速处理 A 股 K 线数据实践

2026-11-11，掘金平台上一位开发者发布了一篇实践分享，介绍使用 Polars 替代 pandas 快速处理 A 股 K 线数据。数据来源是行情库 AlphaFeed：设置 to_dataframe=True 时返回的是 pandas DataFrame，可再用 pl.from_pandas() 转成 Polars。Polars 采用 Rust 内核，数据按列组织，支持多线程与惰性执行，开发者表示，在聚合、滚动窗口、多标的分组等操作上速度更快，全市场批量计算的场景尤其受益。

分享给出了一个实际跑通的示例：120 根日线数据，Polars 聚合 avg 为 9827.46，rolling_mean(5) 得到 MA5。接入方面，from_pandas 需要 pyarrow，对象列的转换也要用到 pyarrow；分析口径采用后复权价。使用惰性执行时，可用 pl.LazyFrame 或 .lazy() 把一串操作串起来，在 collect() 时统一优化执行，适合较大的处理管道。

对于 Polars 与 pandas 的差距，开发者的说法是分场景的：小数据量下两者相差不大，到全市场几千只标的的聚合、分组、窗口计算时，Polars 通常快数倍且更省内存，具体提升幅度取决于数据量与操作类型，建议用自己的数据实测。开发者也明确了边界：Polars 是第三方库，API 以官方文档为准；AlphaFeed 只提供行情数据；原始数据也可以拿 list 自行构造 Polars DataFrame，不一定非要经过 pandas。