为何Polars datetime筛选速度慢？求更快的Polars时间筛选方法

我正在寻找使用datetime对Polars DataFrame进行子集化的更快方法，尝试了两种实现方式后，发现Pandas的同类操作速度明显更快，因此认为Polars应该存在更优的实现方案。

测试代码及结果 #

Polars两种实现方式

import datetime
import polars as pl

start_date = datetime.datetime(2009, 8, 3, 0, 0)
end_date = datetime.datetime(2009, 11, 3, 0, 0)

# 方法一：直接引用DataFrame列
%%timeit
df_window = df_stock.filter(
    (df_stock["date_time"] >= start_date)
    & (df_stock["date_time"] <= end_date)
)
# 2.61 ms ± 243 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# 方法二：使用pl.col()引用列
%%timeit
df_window = df_stock.filter(
    (pl.col("date_time") >= start_date) & (pl.col("date_time") <= end_date)
)
# 12.5 ms ± 801 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

Pandas对比实现（性能更优）

import pandas as pd

df_test = df_stock.to_pandas()
df_test.set_index('date_time', inplace=True)

%%timeit
df_test['2009-8-3':'2009-8-3']
# 1.02 ms ± 108 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

核心疑问 #

1. 为何该场景下Pandas的datetime子集化操作比Polars更快？
2. Polars是否存在更快的datetime子集化实现方式？

环境信息 #

• Spyder版本：5.4.0（conda）
• Python版本：3.8.13 64位
• 操作系统：Linux 5.15.79.1-microsoft-standard-WSL2

内容的提问来源于stack exchange，提问作者Artur