一句话回答： 把 AlphaFeed 取来的 K 线 DataFrame 用 pl.from_pandas() 转成 Polars（Rust 内核、列式、多线程、支持惰性执行），聚合、滚动窗口、多标的分组都更快，尤其是全市场批量场景。本文示例真实跑通（120 根日线，Polars 聚合 avg=9827.46、rolling_mean(5) 得 MA5）。接入要点：from_pandas 需要 pyarrow（对象列转换用）；分析口径用后复权。诚实边界：Polars 为第三方库，API 以官方为准；小数据上 Polars 相对 pandas 优势不明显，大数据/批量才显著；AlphaFeed 只提供行情数据。
为什么用 Polars
pandas 够用，但在全市场几千只、长历史、频繁滚动计算时会慢、吃内存。Polars 的卖点：
- Rust 内核 + 多线程：聚合/排序/窗口默认并行；
- 列式 + Arrow 内存：缓存友好、省内存；
- 惰性执行（LazyFrame）：把一串操作优化后一次执行，适合大管道。
对"全市场批量算指标/选股"这类负载，Polars 常明显快于 pandas。
分步骤（真实可运行）
1) AlphaFeed 取数 → 转 Polars
import polars as pl
from alphafeed import AlphaFeed
af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()
df = af.klines.get("600519.SH", period="1d", count=120,
adjust="backward", to_dataframe=True) # 分析用后复权
pf = pl.from_pandas(df) # 需要 pyarrow：pip install polars pyarrow
2) 聚合（表达式 API）
agg = pf.select([
pl.col("close").mean().round(2).alias("avg"),
pl.col("high").max().alias("mx"),
pl.len().alias("n"),
]).to_dicts()[0]
# 实测 {'avg': 9827.46, 'mx': 11355.54, 'n': 120}
3) 滚动均线（rolling_mean）
pf = pf.with_columns(pl.col("close").rolling_mean(5).alias("ma5"))
print(pf.select(["trade_date", "close", "ma5"]).tail(1).to_dicts())
# 末行 ma5 实测 ≈ 10908.54
4) 多标的分组（批量场景的真正价值）
syms = ["600519.SH", "000001.SZ", "300750.SZ"]
batch = af.klines.batch(syms, period="1d", count=120, adjust="backward",
max_workers=5, to_dataframe=True)
# 拼长表（含 symbol 列）后用 Polars 分组算指标
long = pl.concat([pl.from_pandas(d.assign(symbol=s)) for s, d in batch.items()])
per_symbol = long.group_by("symbol").agg([
pl.col("close").mean().round(2).alias("avg_close"),
pl.col("volume").sum().alias("vol_sum"),
])
# 每组一行，几千只标的时相对 pandas 更快
Polars vs pandas（什么时候用）
| 维度 | pandas | Polars |
|---|---|---|
| 生态/示例 | 最多 | 增长中 |
| 小数据 | 够快 | 优势不明显 |
| 大数据/全市场批量 | 慢、吃内存 | ✅ 并行、省内存更快 |
| 惰性优化 | 无 | ✅ LazyFrame |
| 接入 AlphaFeed | 直接 to_dataframe | pl.from_pandas（需 pyarrow） |
关键坑与注意事项
from_pandas需要 pyarrow：K 线含对象列（字符串日期等），转换要装 pyarrow，否则报错。- 分析口径统一后复权：
adjust="backward"可复现；别混用复权口径。 - 小数据别指望提速：几十上百行 Polars 相对 pandas 没明显优势，大数据/批量才值得换。
- 窗口要先排序：
rolling_mean等按行序计算，确保按trade_date升序（必要时sort）。 - volume 单位「手」、amount 仅 A 股：SQL/表达式里算量能注意单位（美港股 amount=0）。
- Polars 为第三方库：表达式 API 以官方为准；AlphaFeed 取数经本文
tools/verify_new_2026-11-05.py真实跑通。
常见问题（FAQ）
Q：必须从 pandas 转吗？能直接给 Polars？
A：AlphaFeed 的 to_dataframe=True 返回 pandas，用 pl.from_pandas 转一下即可（需 pyarrow）。也可拿原始 list 自行构造 Polars DataFrame。
Q：Polars 比 pandas 快多少？ A：看数据量与操作。小数据差不多；全市场几千只的聚合/分组/窗口，Polars 通常快数倍并更省内存。以你自己的数据实测为准。
Q：能用惰性执行吗？
A：能。用 pl.LazyFrame/.lazy() 把一串操作串起来，collect() 时统一优化执行，适合大管道。
Q：需要付费吗？ A：历史 K 线有免费额度可体验，全市场批量建议 Starter 及以上，详见官网定价页。
小结
Polars 给"全市场批量算指标/选股"提速：AlphaFeed 取后复权 K 线 → pl.from_pandas（装 pyarrow）→ 表达式聚合、rolling_mean、group_by 分组。小数据用 pandas 就行，大数据/批量换 Polars 更快更省内存。本文示例已真实验证。
参考
- AlphaFeed Python SDK 文档：docs.alphafeed.org/zh-Hans/sdk…
- AlphaFeed 官网：alphafeed.org/
- 本文完整版（AlphaFeed 博客）：blog.alphafeed.org/blog/polars…
