Влияние на производительность при использовании SQL-подобного заполнения в Polars

Описание:

Я использовал SQL-подобное дополнение в запросах Polars DataFrame для лучшей читаемости и упрощения комментирования условий. Этот подход предполагает использование True (аналог 1=1 в SQL) для дополнения условной логики.

Пример SQL

В SQL дополнение с помощью 1=1 позволяет легко добавлять или удалять условия:

SELECT *
FROM employees
WHERE 1=1
  AND department = 'Sales'
  AND salary > 50000
  AND hire_date > '2020-01-01';

SELECT *
FROM employees
WHERE 1=1
  AND department = 'Sales'
  -- AND salary > 50000
  AND hire_date > '2020-01-01';

(>>>> по моему мнению <<<<) Это упрощает добавление, удаление и замену операторов. Также это упрощает git diff, поскольку добавление и удаление условий отображается как один diff.

Пример поляров

Вот эквивалент Polars, который я использовал:

# Example data
data = {
    "name": ["Alice", "Bob", "Charlie", "David"],
    "department": ["Sales", "HR", "Sales", "IT"],
    "salary": [60000, 45000, 70000, 50000],
    "hire_date": ["2021-06-01", "2019-03-15", "2020-08-20", "2018-11-05"]
}

# Create a DataFrame
df = pl.DataFrame(data)

# Filter with padding
filtered_df = df.filter(
      (
          True
          & pl.col("department").eq("Sales")
          # & pl.col("salary").gt(50000)
          & pl.col("hire_date").gt("2020-01-01")
          & True
      )
)

print(filtered_df)

Беспокойство

Меня беспокоит потенциальное влияние этого подхода на производительность в Polars. Влияет ли заполнение условий фильтра True на производительность выполнения запросов в Polars? И есть ли лучший способ сделать это?

Спасибо вам за вашу помощь.