開發者分享使用 Polars 快速處理 A 股 K 線資料實踐

2026-11-11，掘金平臺上一位開發者釋出了一篇實踐分享，介紹使用 Polars 替代 pandas 快速處理 A 股 K 線資料。資料來源是行情庫 AlphaFeed：設定 to_dataframe=True 時返回的是 pandas DataFrame，可再用 pl.from_pandas() 轉成 Polars。Polars 採用 Rust 核心，資料按列組織，支援多執行緒與惰性執行，開發者表示，在聚合、滾動視窗、多標的分組等操作上速度更快，全市場批次計算的場景尤其受益。

分享給出了一個實際跑通的示例：120 根日線資料，Polars 聚合 avg 為 9827.46，rolling_mean(5) 得到 MA5。接入方面，from_pandas 需要 pyarrow，物件列的轉換也要用到 pyarrow；分析口徑採用後復權價。使用惰性執行時，可用 pl.LazyFrame 或 .lazy() 把一串操作串起來，在 collect() 時統一最佳化執行，適合較大的處理管道。

對於 Polars 與 pandas 的差距，開發者的說法是分場景的：小資料量下兩者相差不大，到全市場幾千只標的的聚合、分組、視窗計算時，Polars 通常快數倍且更省記憶體，具體提升幅度取決於資料量與操作型別，建議用自己的資料實測。開發者也明確了邊界：Polars 是第三方庫，API 以官方文件為準；AlphaFeed 只提供行情資料；原始資料也可以拿 list 自行構造 Polars DataFrame，不一定非要經過 pandas。