想象你要整理一座体育场十年的逐秒录像，却必须先等几个小时才能打开当天的文件。对研究市场的人来说，海量行情数据也有类似问题：数据不只多，还要按极细的时间顺序拼接。BMLL在一篇发表于Polars官方博客的客户案例中称，借助Polars，1.5TB行情数据可在四分钟内处理。更具体、也更容易理解的一项对比是：加载全市场单日美国股票成交数据，时间从接近3.5分钟降到4.3秒，约快48倍。
先说明信源边界：本文所有性能数字均来自BMLL美洲数据科学主管Thomas Jardine的署名供稿，发布于Polars官方博客，没有独立测试或可复现实验交叉验证。
为什么行情数据这么难搬
BMLL提供全球股票、ETF、期货和美国股票期权的历史行情与分析，覆盖100多个交易场所，并把数据统一到纳秒精度。纳秒是一秒的十亿分之一。如此细的时间戳，主要用于给高速发生的委托和成交排序；它不等于每个市场事件都能被绝对无误地还原。
行情还有不同深度。Level 1通常记录最优买价、最优卖价和最近成交价；Level 2加入订单簿中更深的报价档位；Level 3进一步保留每笔订单的提交、修改和撤销。层级越深，越适合研究交易如何发生，数据量也越大。BMLL称，仅分析一个交易日的全市场逐笔数据，就可能涉及数十到数百GB。
这类工作过去常用pandas——一种常见的表格数据处理工具。BMLL给出的案例覆盖单日全部美国股票成交，以及超过1.1万只REG NMS证券。仅加载数据，pandas就耗时接近3.5分钟，尚未开始连接或汇总；Polars加载相同数据用时4.3秒，按210秒粗略计算约为48.8倍，与文章所称“约48倍”基本一致。
快的不只是“打开文件”
Polars是开源DataFrame引擎，也就是处理表格数据的计算工具。它采用列式处理：把同一字段集中计算，查询时只读取需要的列。面对“扫描大量成交、再按少数几个字段统计”这样的任务，这种方式通常更合适。
文章还提到两个实用能力。其一是惰性执行：分析师可以先写好多步查询，Polars统一规划后再计算。其二是as-of join，可译为“按时间就近连接”。普通连接要求两个时间完全相同；它则能把每笔成交匹配到该时刻或此前最近的一条报价，相当于寻找成交发生时市场上刚刚有效的订单簿状态。BMLL称，Polars原生支持这种连接，并会自动使用全部可用CPU核心。
1.5TB与四分钟，该怎样理解
案例披露，基准运行在BMLL Data Lab的一台机器上，配置为192核CPU和1.5TB内存。测试涉及两个市场和三类分析。其中一项覆盖上海证券交易所2026年3月1日至16日的16个交易日，包括约268GB成交数据和1.2TB Level 2订单簿数据，两者合计接近标题所说的1.5TB。
但供稿片段没有给出这项任务的精确耗时拆分，也没有说明“四分钟”是否包括读取、解压、查询和结果输出。因此，它更适合作为特定环境下的工程案例，不能直接理解为任意电脑、任意1.5TB数据都能在四分钟内跑完。
这个案例真正值得关注的地方，是它展示了一个更具体的变化：当加载时间从分钟降到秒，研究人员可以少做抽样，更频繁地在完整数据上修改问题、重新计算。BMLL目前也因此推荐客户用Polars编程处理其行情数据。
局限与未知
- 全部结论来自一篇兼具客户案例与产品推广性质的署名文章，缺少第三方复测。
- 48倍只对应单日美国股票成交数据的“加载”环节，不能外推为完整分析流程都快48倍。
- 材料未披露文件格式、缓存状态、软件版本和线程设置；这些信息会影响复现与横向比较。