如何在Polars中正确使用shrink_to_fit()方法？

Polars的shrink_to_fit()是原地操作，作用是释放DataFrame里未被使用的内存空间，优化内存占用。你之前用df = df.shrink_to_fit()没生效的问题在于：这个方法执行后返回的是None，赋值操作会把原DataFrame覆盖成None，反而起不到优化作用。

正确用法 #

直接调用方法即可，不需要重新赋值给原变量：

df.shrink_to_fit()

实际示例 #

可以结合内存冗余操作（比如删列、过滤行）来验证效果：

import polars as pl

# 创建测试DataFrame
df = pl.DataFrame({
    "a": range(100000),
    "b": [float(i) for i in range(100000)],
    "c": ["test"] * 100000
})

# 执行会产生内存冗余的操作
df = df.drop("c")
df = df.filter(pl.col("a") < 50000)

# 原地优化内存
df.shrink_to_fit()

# 查看优化后的内存占用
print("优化后内存大小:", df.estimated_size())

这个方法主要针对DataFrame经过修改（删列、过滤、切片等）后，底层内存缓冲区存在未使用空间的场景，调用后会让内存使用更紧凑。

内容的提问来源于stack exchange，提问作者yws