Polars 是一个用 Rust 编写、带有 Python 绑定的高性能 DataFrame 库，面向快速且内存高效的数据处理与分析。它利用并行执行和惰性求值，在处理大型数据集时通常比 pandas 更快。
用途 该技能适用于用户需要高性能 DataFrame 操作、明确提到 Polars 或要求“快速”数据处理、需要处理百万行级大型数据集、希望使用惰性求值进行查询优化、需要进行数据转换/过滤/分组/聚合、需要读写 CSV、Parquet、JSON 等格式，或希望将 Polars 与 DuckDB 结合用于 SQL + DataFrame 工作流的场景。
安装 检查是否已安装：python3 -c "import polars as pl; print(pl.version)"。若未安装：pip3 install polars。完整功能（含 Parquet 支持）：pip3 install 'polars[pyarrow]'。DuckDB 集成：pip3 install polars duckdb 'polars[pyarrow]'。
主要能力
- 读取数据：支持 read_csv、read_parquet、read_json，以及读取多个文件（如 'data/*.csv'）；也可使用 scan_csv、scan_parquet 进行惰性读取。
- 选择与过滤：使用 select 选择列，支持表达式与别名；使用 filter 过滤行，支持多条件（&）和字符串方法（如 str.contains）。
- 转换与新列：使用 with_columns 添加或修改列，支持算术、字符串大小写转换、条件逻辑（when/then/otherwise）、日期解析（str.strptime）、重命名（rename）。
- 聚合与分组：使用 group_by 配合 agg 进行求和、均值、计数、去重计数等；支持多列分组；也可不分组直接对列做统计。
- 排序与排名：使用 sort 支持单列、降序、多列排序；使用 rank 配合 over 在分组内排名。
- 连接：使用 join 支持 inner、left 等连接方式，可按同名列、不同列名（left_on/right_on）或多列连接。
- 窗口函数：支持 cum_sum、rolling_mean、rank、shift 等配合 over 在分组内计算累计、滚动平均、排名、滞后/超前值。
惰性求值与性能 惰性 API 会在执行前优化查询：使用 scan_csv/scan_parquet 开始，链式调用 filter、select、group_by、agg、sort，最后用 collect() 执行，或用 explain() 查看执行计划。性能建议包括：对大数据集使用惰性求值、使用 Parquet 格式、尽早过滤、避免逐行迭代、使用表达式而非 pandas 风格操作。
常见模式 包括 ETL 管道（提取、清洗、转换、聚合、写出 Parquet）、数据探索（head、describe、schema、列统计、空值计数、value_counts、n_unique）、与 DuckDB 结合（Polars 加载数据，DuckDB 执行 SQL，再转回 Polars DataFrame）、写出数据（write_csv、write_parquet、write_json、按列分区写出 Parquet）。
表达式链式调用 支持字符串操作、算术、条件逻辑、日期操作（dt.year、dt.month）、列表操作（list.len）等。
与 pandas 的差异 Polars DataFrame 不可变（操作返回新 DataFrame）；通常比 pandas 快 5-10 倍；支持惰性求值优化；使用表达式 API 而非方法链；自动并行化。
错误处理 可使用 try/except 捕获 FileNotFoundError、pl.exceptions.ComputeError 及其他异常。
资源 references/api_reference.md 提供详细 API 文档与示例；官方文档 https://docs.pola.rs/；API 参考 https://docs.pola.rs/api/python/stable/reference/。