我有一个相当大的.arrow文件（150 Gb），我需要根据一些过滤器分成不同的部分。我开始使用Python Polars实现进行原型设计（JIT编译器在这里真的很有帮助），现在我正试图将我的Python实现移植到Rust中，希望能加快生产过程。我的代码看起来像这样（显然我的代码有更复杂的过滤器，但我在这里简化了问题）：

use polars::prelude::*;
use polars_io::ipc::IpcReader;

fn main() -> PolarsResult<()> {
    // opening .arrow file and parse it as LazyFrame
    let file = std::fs::File::open("./myData.arrow").expect("file not found");
    let df = IpcReader::new(file).finish()?.lazy();

    // Split LazyFrame into various parts
    let df1 = df.filter( col("Volume").gt_eq(0).and( col("Volume").lt(1000) ) );
    let df2 = df.filter( col("Volume").gt_eq(1000).and( col("Volume").lt(2000) ) );
    // ... much more filters
    // let df300 = df.filter( col("Volume").gt_eq(n).and( col("Volume").lt(n+1) ) );

    // printing LazyFrames here to simplify the issue, in the real world I would create new .arrow files based on each filters
    println!("{}", df1.collect()?);
    println!("{}", df2.collect()?);
    // ...
    // println!("{}", df300.collect()?);
    Ok(())
}

显然，这段代码无法编译，因为检查器希望我.clone()我的df LazyFrame。下面是在.clone()之后的工作代码：

use polars::prelude::*;
use polars_io::ipc::IpcReader;

fn main() -> PolarsResult<()> {
    // opening .arrow file and parse it as LazyFrame
    let file = std::fs::File::open("./myData.arrow").expect("file not found");
    let df = IpcReader::new(file).finish()?.lazy();

    // Split LazyFrame into various parts
    let df1 = df.clone().filter( col("Volume").gt_eq(0).and( col("Volume").lt(1000) ) );
    let df2 = df.clone().filter( col("Volume").gt_eq(1000).and( col("Volume").lt(2000) ) );
    // ... much more filters
    // let df300 = df.clone().filter( col("Volume").gt_eq(n).and( col("Volume").lt(n+1) ) );

    // printing LazyFrames here to simplify the issue, in the real world I would create new .arrow files based on each filters
    println!("{}", df1.collect()?);
    println!("{}", df2.collect()?);
    // ...
    // println!("{}", df300.collect()?);
    Ok(())
}

现在编译器没有抱怨，所以我可以使用以下命令构建它：

cargo build --release

问题是，与Python中的相同实现相比，我看到至少60倍的性能。所以这让我有点困惑。我知道多个.clone()是导致性能下降的原因，但我最初的理解是Polars会在LazyFrame的上下文中优化这样的.clone()，并避免不必要的数据副本，或者我错了？
我试着用&df过滤df的引用，但搜索引擎检查器也抱怨了。我设法使用引用而不是复制，使用DataFrame而不是LazyFrame，但不知何故，我失去了很多我在Python中使用的方法（比如with_columns在Rust中不适用于DataFrame，或者过滤器需要masks而不是表达式等）。
我错过了一些明显的东西吗？什么是正确的方法来重新使用我原来的df LazyFrame，而不是.clone()-ing它所有的，最好不直接使用DataFrames：）？