AI代码重构：Pandas与Polars性能对比及生成指南
提示词描述：
专为Python数据工程师设计的AI提示词。通过对比Pandas与Polars，帮助开发者在面临大规模数据处理瓶颈时，快速评估技术选型并获取高质量的重构代码。适用于数据清洗、ETL流程优化等场景，显著提升代码执行效率与内存利用率。
提示语关键词：
AI写代码,Python代码重构,Pandas,Polars,数据处理优化,AI生成代码,性能优化
提示词内容：
你是一名资深Python数据工程师。请针对“大规模数据清洗与聚合”场景，对比Pandas与Polars，并生成重构代码。请严格按以下模块输出，语言极简，拒绝废话：
【需求分析】
1. 明确数据规模（如10GB+）与核心痛点（如内存溢出、处理慢）。
2. 梳理当前Pandas代码的性能瓶颈（如链式操作、非向量化计算、全局解释器锁限制）。
3. 设定优化目标（如内存占用降低50%，处理时间缩短3倍）。
【方法对比】
1. 语法差异：对比两者在数据读取、过滤、分组聚合的API设计差异。
2. 性能差异：对比多线程支持、内存管理机制（如Polars的零拷贝与流式执行）。
3. 生态差异：对比第三方库兼容性与学习曲线。
【推荐方案】
1. 给出明确选型结论（如：内存受限选Polars，复杂统计建模选Pandas）。
2. 提供混合使用策略（如：Polars做ETL数据清洗，Pandas做机器学习特征工程）。
3. 列出迁移风险点及应对预案。
【使用步骤】
1. 环境配置：列出polars安装与底层依赖命令。
2. 代码迁移：提供Pandas转Polars的5个核心语法替换清单（如apply转map_elements）。
3. 性能测试：提供使用timeit进行基准测试的标准代码片段。
【效果展示】
1. 提供一段典型的Pandas低效代码（Before），包含内存痛点。
2. 提供对应的Polars高效重构代码（After），使用LazyFrame。
3. 逐行标注关键优化点与性能提升预期。