shrink_to_fit() 是 Polars DataFrame 的内存优化方法，用于释放内部缓冲区中未使用的额外内存；调用后需重新赋值（df = df.shrink_to_fit()），并通过 estimated_size() 对比前后内存占用以验证效果。
`shrink_to_fit()` 是 polars dataframe 的内存优化方法，用于释放内部缓冲区中未使用的额外内存；调用后需重新赋值（`df = df.shrink_to_fit()`），并通过 `estimated_size()` 对比前后内存占用以验证效果。
在 Polars 中，shrink_to_fit() 是一个轻量但实用的内存管理工具。它不会改变数据内容或结构，而是主动回收 DataFrame 各列底层数组（如 Arrow 数组）中因预分配、切片、过滤等操作遗留的冗余容量（capacity），从而降低实际内存占用。该方法不就地修改 DataFrame，因此必须显式赋值：
df = df.shrink_to_fit()
为直观评估优化效果，推荐结合 estimated_size() 方法进行前后对比：
import polars as pl
# 构造一个可能产生冗余容量的 DataFrame（例如多次切片后）
df = pl.DataFrame({"x": range(100_000)}).lazy().filter(pl.col("x") < 50_000).collect()
print(f"优化前内存估算: {df.estimated_size()} bytes")
df = df.shrink_to_fit() # 关键：必须重新赋值
print(f"优化后内存估算: {df.estimated_size()} bytes")⚠️ 注意事项：
- 效果非恒定：shrink_to_fit() 的收益高度依赖 DataFrame 的创建与处理历史。例如，由 read_parquet() 直接加载的数据通常已紧凑，而经多次 filter、slice 或 concat 操作后的 DataFrame 更可能受益；
- 无副作用但不可逆：该操作仅释放冗余空间，不丢失数据；但一旦收缩，后续追加行（如 vstack）可能触发新的内存重分配；
- 不替代真正的大数据策略：它适用于“微调”内存，而非解决根本性内存瓶颈——若频繁面临 OOM，应优先考虑流式处理（LazyFrame）、分块读取或更高效的数据类型（如 pl.Int32 替代 pl.Int64）。
总结来说，shrink_to_fit() 是 Polars 提供的“内存整理”快捷指令，适合在关键内存敏感节点（如 ETL 中间态、函数返回前）主动调用，配合 estimated_size() 进行量化验证，是专业 Polars 工作流中值得纳入的实践习惯。
