作为Pandas的重要补充，Polars与Pandas结合能够弥补Pandas在处理超大数据集上的不足，尤其是读取速度、内存溢出、计算饱和等问题。
下面，让我们来感受下Polars在处理超大数据集上的速度感！
演示1：基础属性的速度
我们看到，2.65G的csv文件，使用polars的延迟读取函数scan_csv，几乎不需要时间。
查看这个超大文件的列名称，只用于22.7ms，也就是0.0227秒。
输出前5行，使用了4.6ms毫秒，输出最后5行，使用了5.56s秒。
新增1列，查看2.65G的csv文件的行数，有1554万多行，共有19列。
演示2：统计的速度
计算1列的1554万个数值的和，使用了2.75秒。
计算1列的1554万个数值的平均值，使用了3.58秒。
筛选1列的1554万个数值，延迟执行几乎不需要时间，立即执行使用了5.12秒。
对列trip_distance进行排序，之后提取前5行，只用了50.4毫秒。
示例3：分组的速度
对分类列1500多万行数据进行个数统计，使用了1.45秒。
分组聚合求平均值，只使用了2.78秒。
