用途：Polars 是用于 Python（及 Rust）的高性能 DataFrame 库，本技能提供其使用指南，适用于数据操作、从 pandas 迁移、读取 Parquet 文件以及优化数据管道性能。
主要能力：基于 Rust 编写，利用 SIMD 与并行优化；支持惰性求值（先构建查询计划再优化执行）与即时执行；提供表达式 API；采用列式格式并支持流式处理超出内存的数据；核心无 NumPy/Pandas 依赖。覆盖 I/O（CSV、Parquet、JSON、数据库）、聚合与分组、窗口函数、连接与拼接、透视/逆透视、字符串/日期时间/分类操作、pandas/NumPy/PyArrow/DuckDB 互操作及性能优化。
版本说明：面向 Polars 1.x（测试于 1.37.1）。0.x 起的变化包括 apply 改名 map_elements、groupby 改名 group_by、melt 改名 unpivot、pl.Utf8 现为 pl.String（Utf8 仍作别名）。
使用方式：技能按主题组织参考文件，如 quickstart.md、dataframes-series.md、io-data.md、expressions.md、aggregations-grouping.md、joins-concat.md、strings-datetime-categorical.md、performance.md、interop.md、gotchas.md，可按决策树查找。基本导入为 import polars as pl 与 import polars.selectors as cs。惰性读取示例：lf = pl.scan_csv("data.csv")，再 lf.collect() 执行。常用操作包括 df.select、df.filter、df.with_columns、df.group_by(...).agg(...)、df.join、df.sort 等。
研究工作流限制：在数据研究管道中，Polars 转换通过脚本文件执行而非交互式，以保证可审计与可复现；需遵循文件优先执行协议，将代码写入 scripts/stage{N}{type}/{step}{task-name}.py 并通过 Bash 执行，验证结果自动嵌入脚本注释，失败时创建版本化副本。
引用：作为主要分析工具时，可在报告软件与工具参考中引用 Vink, R. et al. Polars: Blazingly fast DataFrames [Computer software]. https://pola.rs/。仅用于简单文件 I/O 时不必引用。