pd.concat() 千万行爆内存因默认全载入内存、重索引、列对齐及dtype隐式升格；应统一dtypes、设ignore_index=True和copy=False、分批拼接、启用dtype_backend="pyarrow"，仍OOM则换Polars或Dask。
为什么 pd.concat() 在千万行时会爆内存？
因为默认情况下 pd.concat() 会先将所有输入 DataFrame 全部载入内存，再统一重索引、对齐列、合并数据——哪怕你只拼接两个 500 万行的 DataFrame，中间可能临时占用 3–4 倍原始内存。尤其当列类型不一致（比如某列在 A 中是 object，在 B 中是 string 或 category），Pandas 2.0 会强制升格为最宽泛类型，进一步放大内存开销。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 提前统一各 DataFrame 的列名、列顺序、dtypes，用
astype()显式转换，避免隐式推断 - 禁用自动索引重置：
ignore_index=True是安全的，但ignore_index=False（默认）会尝试保留原索引，触发冗余排序和去重逻辑，关掉它 - 若拼接后不依赖原始索引，强制加
ignore_index=True，并设copy=False（Pandas 2.0+ 支持）减少副本
用 pd.concat() 分批 + dtype_backend="pyarrow" 能省多少内存？
Pandas 2.0 引入了 dtype_backend="pyarrow" 模式，对字符串、数值列有显著压缩率和零拷贝优势，但不是所有操作都兼容——concat 是少数原生支持它的核心操作之一。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 读取阶段就启用：例如
pd.read_csv(..., dtype_backend="pyarrow")，后续所有concat都继承该 backend - 分批拼接比一次性拼更稳：把 10 个 100 万行的 DataFrame 分成每 3 个一组
concat，再合起来，能规避单次大对象分配失败 - 注意 PyArrow backend 下
None和pd.NA行为一致，但np.nan可能被转为 null，需提前清洗
当 concat 仍卡死，该换 dask.dataframe 还是 polars？
如果已确认 dtype 统一、分批、PyArrow 启用后仍 OOM 或耗时超 10 分钟，说明单机 Pandas 架构已达瓶颈。此时别硬调参数，直接换引擎。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
dask.dataframe适合你已有大量 Pandas 代码、想最小改动迁移：用dask.delayed包装读取 +dask.dataframe.from_delayed构建，.compute()前不会真执行；但 shuffle 类操作（如按列 merge）仍慢 -
polars更适合纯拼接场景：其pl.concat([df1, df2, ...], how="vertical")默认零拷贝、列式内存布局，千万行拼接常在秒级；缺点是 API 不兼容 Pandas，且需用pl.read_csv()等原生读取，不能直接喂 Pandas DataFrame - 别混用：不要用 Pandas 读完再转 Polars，那一步
.to_pandas()就可能 OOM；应从文件直读
拼接后立刻 to_parquet 而不是 to_csv 的真实原因
千万行 DataFrame 拼完后，如果马上 to_csv，Pandas 会逐行序列化为文本，触发大量字符串分配和 IO 缓冲，CPU 和磁盘都容易打满；而 to_parquet 利用列式压缩（默认 snappy）、字典编码、null bitmap，体积常只有 CSV 的 1/5–1/3，写入也更快。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写 Parquet 时加
use_dictionary=True（默认开启）和compression="zstd"（比 snappy 压缩率更高，CPU 开销略增） - 避免写单一大文件：用
partition_cols=["date"]或chunk_size=500_000分块，方便后续用 Dask/Polars 并行读 - 别等拼完再写：边 concat 边写临时 Parquet 片段，最后用
pyarrow.dataset.dataset()统一读取，彻底绕过全量内存驻留
df.dtypes 并强制统一。 
