这是很难回答这个问题，因为我不知道你的其他df看起来像什么，我不知道你到底在做什么，崩溃你的电脑，但这里有一些意见/建议。
arrow，并且，通过扩展，polars并没有针对字符串进行优化，所以你可能做的最糟糕的事情之一就是加载一个巨大的文件，所有的列都作为字符串加载。
来自scan_csv文档

infere_schema_length为推断架构而读取的最大行数。如果设置为0，则所有列将被读取为pl.Utf8。

你把它设置为0，这意味着你正在加载一个巨大的文件作为所有字符串。别这样将其设置为合理的值，或者手动设置dtypes参数。理想情况下，后者。此外，如果有些列是字符串，但具有相对较少的唯一值，则可以将它们设为分类列以保存更多内存。此外，将整数设置为最小的变化也会保存一些内存。Categoricals的一个问题是在这些列上进行连接比较棘手。要绕过这个尝试：

import polars as pl
with pl.StringCache():
    dtypes={
    'siren':pl.UInt32(),
    'nic':pl.UInt32(),
    'siret':pl.UInt64(),
    'dateFin':pl.Date(),
    'dateDebut':pl.Date(),
    'etatAdministratifEtablissement':pl.Categorical(),
    'changementEtatAdministratifEtablissement':pl.Boolean(),
    'enseigne1Etablissement':pl.Categorical(),
    'enseigne2Etablissement':pl.Categorical(),
    'enseigne3Etablissement':pl.Categorical(),
    'changementEnseigneEtablissement':pl.Boolean(),
    'denominationUsuelleEtablissement':pl.Categorical(),
    'changementDenominationUsuelleEtablissement':pl.Boolean(),
    'activitePrincipaleEtablissement':pl.Categorical(),
    'nomenclatureActivitePrincipaleEtablissement':pl.Categorical(),
    'changementActivitePrincipaleEtablissement':pl.Boolean(),
    'caractereEmployeurEtablissement':pl.Categorical(),
    'changementCaractereEmployeurEtablissement':pl.Boolean()
    }

    df=pl.scan_csv("StockEtablissementHistorique_utf8.csv", 
                dtypes=dtypes)
    other_df=pl.read_database(your_query, your_conn_str).with_columns(pl.col(string_cols_to_join_on).cast(pl.Categorical())).lazy()

顺便说一下，一些快速的统计数据...
从这里，如果我做df.collect().estimated_size('gb')，它会返回为4.57。
相比之下，如果我使用pl.read_csv(thefile).estimated_size('gb')，则它是10.5，因此在更改列类型方面有很大的节省。
你可能需要把所有东西都保存在StringCache上下文中，直到你收集为止，我不确定StringCache是如何与LazyFrames交互的。由于运行scan_csv基本上不需要时间，因此它显然没有立即建立分类索引。
您可能还应该将csv重新保存为多个parquet，然后通过pyarrow将其作为数据集延迟加载。

这个解决方案使用pandas的方式来分块CSV。我发现Pandas的csv阅读器比Polars更成熟;它通过它的TextFileReader对象很容易地处理内存消耗。
请注意，只要没有涉及groupby，这就可以工作。

reader = (
      pd.read_csv(url, sep=",", encoding="utf8", iterator=True, usecols=my_cols, chunksize=1_000_000
      )
 for chunk in reader:
     df = (
         pl.DataFrame(chunk)
         .lazy()
         # do some more processing, for instance 
         .filter(pl.col("codePaysEtrangerEtablissement").is_null())
         .collect()
     )
     df = df.join(my_other_dataframe, ... )
     # Do some more things like storing the chunk in a database.